idTreeEnsemble

Ансамбль дерева решений, сопоставляющий функцию для нелинейных моделей ARX (требует Statistics and Machine Learning Toolbox),

Описание

idTreeEnsemble возразите реализует модель ансамбля дерева решений и нелинейная функция отображения для оценки нелинейных моделей ARX. Этот объект отображения позволяет вам использовать RegressionBaggedEnsemble (Statistics and Machine Learning Toolbox), RegressionEnsemble (Statistics and Machine Learning Toolbox) и CompactRegressionEnsemble Объекты (Statistics and Machine Learning Toolbox), которые создаются с помощью Statistics and Machine Learning Toolbox™. В отличие от большей части другого отображения возражает для idnlarx модели, которые обычно содержат смещение, линейные, и нелинейные компоненты, idTreeEnsemble модель содержит только нелинейный компонент.

Diagram of an idTreeEnsemble object, showing an input, ensemble of trees, and output.

Математически, idTreeEnsemble возразите сопоставляет входные параметры m x (t) = [x 1 (t), x 2 (t), …, xm (t)]T к скалярному выходу y (t) с помощью модели ансамбля регрессии дерева решений.

Здесь:

  • x (t) является m-by-1 вектор из входных параметров или regressors.

  • y (t) является скалярный выход.

Для получения дополнительной информации о создании ансамблей дерева регрессии, смотрите fitrensemble (Statistics and Machine Learning Toolbox).

Используйте idTreeEnsemble как значение OutputFcn свойство idnlarx модель. Например, задайте idTreeEnsemble когда вы оцениваете idnlarx модель со следующей командой.

sys = nlarx(data,regressors,idTreeEnsemble)
Когда nlarx оценивает модель, она по существу оценивает параметры idTreeEnsemble объект.

Можно сконфигурировать idTreeEnsemble функционируйте, чтобы установить опции и зафиксировать параметры. Чтобы изменить опции оценки, установите свойство опции в E.EstimationOptions, где E idTreeEnsemble объект. Например, чтобы изменить подходящий метод в 'lsboost-resampled', используйте E.EstimationOptions.FitMethod = 'lsboost-resampled'. Зафиксировать значения существующего предполагаемого idTreeEnsemble во время последующего nlarx оценки, набор Free свойство к FalseИспользование evaluate вычислить выход функции для данного вектора из входных параметров регрессора.

Создание

Описание

пример

E = idTreeEnsemble создает пустой idTreeEnsemble объект E с оценкой по умолчанию соответствуют методу 'bag'. Количество входных параметров регрессора определяется во время оценки модели и количества idTreeEnsemble выходные параметры равняются 1.

E = idTreeEnsemble(fitmethod) устанавливает метод оценки ансамбля для значения в fitmethod.

Входные параметры

развернуть все

Метод, чтобы использовать для оценки параметров idTreeEnsemble модель в виде 'bag', 'lsboost-reweighted', или 'lsboost-resampled'.

Этот аргумент устанавливает свойство E.EstimationOptions.FitMethod. Для получения дополнительной информации смотрите Estimation Options.

Свойства

развернуть все

Ансамбль дерева регрессии в виде RegressionBaggedEnsemble (Statistics and Machine Learning Toolbox), RegressionEnsemble (Statistics and Machine Learning Toolbox) или CompactRegressionEnsemble Объект (Statistics and Machine Learning Toolbox). Это свойство пусто, когда вы сначала создаете idTreeEnsemble объект. Процесс оценки определяет тип ансамбля на основе значений FitMethod и Shrink свойства, как показано в следующей таблице.

FitMethodShrinkТип модели
'bag'falseRegressionBaggedEnsemble
'lsboost-reweighted'falseRegressionEnsemble
'lsboost-resampled'falseRegressionBaggedEnsemble
'bag' или 'lsboost-reweighted' или 'lsboost-resampled'trueCompactRegressionEnsemble

Опция, чтобы обновить параметры RegressionEnsembleModel во время нелинейной оценки модели ARX в виде true или false. Когда free true, процесс оценки обновляет модель ансамбля, когда это оценивает idnlarx модель, которая содержит его. Когда free false, модель ансамбля фиксируется во время оценки. Установка free к false полезно, когда вы используете ранее предполагаемую модель ансамбля в качестве функции отображения для nlarx.

Информация о входном сигнале для сигналов использовала для оценки в виде векторов из m специфичные для свойства значения, где m является количеством входных сигналов. Input свойства для каждого входного сигнала следующие:

  • Name — Имена входных сигналов в виде 1 строкой m или символьным массивом, где m является количеством входных параметров

  • Mean — Среднее значение входных сигналов в виде числового скаляра

  • Range — Области значений входных сигналов в виде 2 m числовым массивом, который содержит минимальные и максимальные значения

Информация о выходном сигнале в виде специфичных для свойства значений. Output свойства следующие:

  • Name — Имя выходного сигнала в виде строки или символьного массива

  • Mean — Среднее значение выходного сигнала в виде числового скаляра

  • Range — Область значений выходного сигнала в виде 2 1 числового массива, который содержит минимальные и максимальные значения

Опции оценки для idTreeEnsemble модель в виде следует. Для получения дополнительной информации о любой из этих опций смотрите соответствующий аргумент значения имени в fitrensemble (Statistics and Machine Learning Toolbox).

  • FitMethod — Метод, чтобы использовать для оценки параметров idTreeEnsemble модель в виде одного из элементов в следующей таблице.

    Опция Описание
    'bag'

    Укладывание в мешки (загружают агрегацию) (значение по умолчанию)

    'lsboost-reweighted'

    Повышение наименьших квадратов с перевзвешиванием

    'lsboost-resampled'

    Повышение наименьших квадратов с передискретизацией

  • NumLearningCycles — Количество ансамбля, изучающего циклы в виде положительного целого числа. Значением по умолчанию является 100.

  • ResampleData — Опция, чтобы передискретизировать данные в виде 'on' (значение по умолчанию) или 'off'.

    • Если FitMethod установлен в 'bag', затем ResampleData должен быть установлен в 'on'.

    • Если FitMethod установлен в 'lsboost-reweighted', затем ResampleData не оказывает влияния.

  • ResampleFraction — Часть набора обучающих данных, чтобы передискретизировать в виде положительной скалярной величины в (0,1].

    • Если FitMethod установлен в 'lsboost-reweighted', затем ResampleFraction не оказывает влияния.

  • ReplaceData — Опция к выборке с заменой в виде 'off' (значение по умолчанию) или 'on'. Это свойство оказывает влияние только если любой FitMethod установлен в 'bag' или Resample установлен в true и FitMethod установлен в 'lsboost-resampled' .

  • Regularize — Опция, чтобы найти оптимальные веса для учеников в виде true (значение по умолчанию) или false.

  • Shrink — Опция, чтобы сократить ансамбль и возвратить компактную версию в виде true (значение по умолчанию) или false.

Примеры

свернуть все

Загрузите данные mrdamper. Эти данные содержат силу затухания (F) и скорость (V) информация для жидкого демпфера, с шагом расчета Ts.

load(fullfile(matlabroot,'toolbox','ident','iddemos','data','mrdamper'))

Создайте iddata объект data это использует F как выход и V как вход. Разделите data в наборы данных оценки и валидации ze и zv.

data = iddata(F,V,Ts);
ze = data(1:3000);
zv = data(3001:end);

Создайте пустой idTreeEnsemble отображение объекта E.

E = idTreeEnsemble;

Оцените нелинейную модель ARX sys это использует E для выходной функции.

sys = nlarx(ze,[16 16 0],E);
Warning: Reached maximum number of iterations. 'Lambda' = 247.7731.

Модель хранит предполагаемый объект отображения в свойстве sys.OutputFcn.

sys.OutputFcn
ans = 
Regression Tree Ensemble
Inputs: y1(t-1), y1(t-2), y1(t-3), y1(t-4), y1(t-5), y1(t-6), y1(t-7), y1(t-8), y1(t-9), y1(t-10), y1(t-11), y1(t-12), y1(t-13), y1(t-14), y1(t-15), y1(t-16), u1(t), u1(t-1), u1(t-2), u1(t-3), u1(t-4), u1(t-5), u1(t-6), u1(t-7), u1(t-8), u1(t-9), u1(t-10), u1(t-11), u1(t-12), u1(t-13), u1(t-14), u1(t-15)
Output: y1

 Nonlinear Function: Regression Tree Ensemble

                      Input: 'Function inputs'
                     Output: 'Function output'
    RegressionEnsembleModel: [1×1 classreg.learning.regr.RegressionBaggedEnsemble]
                       Free: 1
          EstimationOptions: 'Estimation option set'

Сравните модель симулировала выход к выводу данных оценки.

compare(ze,sys)

Сравните модель симулировала выход к выводу данных валидации.

compare(zv,sys)

sys показывает хорошую подгонку и к данным об оценке и к данным о валидации.

Смотрите также

| (Statistics and Machine Learning Toolbox) | (Statistics and Machine Learning Toolbox) | (Statistics and Machine Learning Toolbox) | (Statistics and Machine Learning Toolbox) | | | | | | | | |

Введенный в R2021b
Для просмотра документации необходимо авторизоваться на сайте