RegressionBaggedEnsemble
Пакет: classreg.learning.regr
Суперклассы: RegressionEnsemble
Ансамбль регрессии, выращенный путем передискретизации
Описание
RegressionBaggedEnsemble комбинирует набор обученных слабых моделей ученика и данных, на которых были обучены эти ученики. Это может предсказать ответ ансамбля для новых данных путем агрегации предсказаний от его слабых учеников.
Конструкция
Создайте сложенное в мешок использование объекта ансамбля регрессии fitrensemble. Установите аргумент пары "имя-значение" 'Method' из fitrensemble к 'Bag' использовать агрегацию начальной загрузки (укладывание в мешки, например, случайный лес).
Свойства
|
Границы интервала для числовых предикторов в виде массива ячеек p числовые векторы, где p является количеством предикторов. Каждый вектор включает границы интервала для числового предиктора. Элемент в массиве ячеек для категориального предиктора пуст, потому что программное обеспечение не делает интервала категориальные предикторы. Числовые предикторы интервалов программного обеспечения, только если вы задаете Можно воспроизвести сгруппированные данные о предикторе X = mdl.X; % Predictor data
Xbinned = zeros(size(X));
edges = mdl.BinEdges;
% Find indices of binned predictors.
idxNumeric = find(~cellfun(@isempty,edges));
if iscolumn(idxNumeric)
idxNumeric = idxNumeric';
end
for j = idxNumeric
x = X(:,j);
% Convert x to array if x is a table.
if istable(x)
x = table2array(x);
end
% Group x into bins by using the Xbinned содержит индексы интервала, в пределах от 1 к количеству интервалов, для числовых предикторов. Xbinned значения 0 для категориальных предикторов. Если X содержит NaNs, затем соответствующий Xbinned значениями является NaNs.
|
|
Категориальные индексы предиктора в виде вектора из положительных целых чисел. |
|
Вектор символов, описывающий, как ансамбль комбинирует предсказания ученика. |
|
Расширенные имена предиктора, сохраненные как массив ячеек из символьных векторов. Если кодирование использования модели для категориальных переменных, то |
|
Числовой массив подходящей информации. |
|
Вектор символов, описывающий значение |
|
Числовой скаляр между |
|
Описание оптимизации перекрестной проверки гиперпараметров, сохраненных как
|
|
Массив ячеек из символьных векторов с именами слабых учеников в ансамбле. Имя каждого ученика появляется только однажды. Например, если у вас есть ансамбль 100 деревьев, |
|
Вектор символов с именем алгоритма |
|
Параметры используются в учебном |
|
Числовой скаляр, содержащий количество наблюдений в обучающих данных. |
|
Количество обученных учеников в ансамбле, положительной скалярной величине. |
|
Массив ячеек имен для переменных предикторов, в порядке, в котором они появляются в |
|
Вектор символов, описывающий причину |
|
Структура, содержащая результат |
|
Булев флаг, указывающий, были ли обучающие данные для слабых учеников в этом ансамбле произведены с заменой. |
|
Вектор символов с именем переменной отклика |
|
Указатель на функцию для преобразования баллов или вектора символов, представляющего встроенную функцию преобразования. Добавьте или измените ens.ResponseTransform = @function |
|
Обученные ученики, массив ячеек компактных моделей регрессии. |
|
Числовой вектор из весов ансамбль присваивает своим ученикам. Ансамбль вычисляет предсказанный ответ путем агрегации взвешенных предсказаний от его учеников. |
|
Логическая матрица размера |
|
Масштабированный |
|
Матрица или таблица значений предиктора, которые обучили ансамбль. Каждый столбец |
|
Числовой вектор-столбец с одинаковым числом строк как |
Функции объекта
compact | Создайте компактный ансамбль регрессии |
crossval | Крест подтверждает ансамбль |
cvshrink | Крест подтверждает уменьшение (сокращение) ансамбль |
lime | Локальные поддающиеся толкованию объяснения модели агностические (LIME) |
loss | Ошибка регрессии |
oobLoss | Ошибка регрессии из сумки |
oobPermutedPredictorImportance | Важность предиктора оценивает сочетанием наблюдений предиктора из сумки для случайного леса деревьев регрессии |
oobPredict | Предскажите ответ из сумки ансамбля |
partialDependence | Вычислите частичную зависимость |
plotPartialDependence | Создайте графики отдельного условного ожидания (ICE) и частичный график зависимости (PDP) |
predict | Предскажите ансамбль использования ответов моделей регрессии |
predictorImportance | Оценки важности предиктора для ансамбля регрессии |
regularize | Найдите, что веса минимизируют ошибку перезамены плюс термин штрафа |
removeLearners | Удалите члены компактного ансамбля регрессии |
resubLoss | Ошибка регрессии перезаменой |
resubPredict | Предскажите ответ ансамбля перезаменой |
resume | Возобновите учебный ансамбль |
shapley | Шепли оценивает |
shrink | Сократите ансамбль |
Копировать семантику
Значение. Чтобы узнать, как классы значений влияют на операции копирования, см. раздел "Копирование объектов".
Примеры
Обучите уволенный ансамбль деревьев регрессии
Загрузите carsmall набор данных. Рассмотрите модель, которая объясняет экономию топлива автомобиля (MPG) использование его веса (Weight) и количество цилиндров (Cylinders).
load carsmall
X = [Weight Cylinders];
Y = MPG;Обучите уволенный ансамбль 100 деревьев регрессии с помощью всех измерений.
Mdl = fitrensemble(X,Y,'Method','bag')
Mdl =
RegressionBaggedEnsemble
ResponseName: 'Y'
CategoricalPredictors: []
ResponseTransform: 'none'
NumObservations: 94
NumTrained: 100
Method: 'Bag'
LearnerNames: {'Tree'}
ReasonForTermination: 'Terminated normally after completing the requested number of training cycles.'
FitInfo: []
FitInfoDescription: 'None'
Regularization: []
FResample: 1
Replace: 1
UseObsForLearner: [94x100 logical]
Properties, Methods
Mdl RegressionBaggedEnsemble объект модели.
Mdl.Trained свойство, которое хранит 100 1 вектор ячейки из обученных, компактных деревьев регрессии (CompactRegressionTree объекты модели), которые составляют ансамбль.
Постройте график первого обученного дерева регрессии.
view(Mdl.Trained{1},'Mode','graph')
По умолчанию, fitrensemble выращивает глубокие деревья для мешков деревьев.
Оцените среднеквадратическую ошибку (MSE) в выборке.
L = resubLoss(Mdl)
L = 12.4048
Советы
Для уволенного ансамбля деревьев регрессии, Trained свойство ens хранит вектор ячейки из ens.NumTrained
CompactRegressionTree объекты модели. Для текстового или графического дисплея древовидного t в векторе ячейки войти
view(ens.Trained{t})