RegressionEnsemble

Пакет: classreg.learning.regr
Суперклассы: CompactRegressionEnsemble

Регрессия ансамбля

Описание

RegressionEnsemble 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 использование объекта ансамбля регрессии fitrensemble.

Свойства

`BinEdges`	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 `'NumBins'` аргумент значения имени как положительный целочисленный скаляр, когда обучение модель с древовидными учениками. `BinEdges` свойство пусто если `'NumBins'` значение пусто (значение по умолчанию). Можно воспроизвести сгруппированные данные о предикторе `Xbinned` при помощи `BinEdges` свойство обученной модели `mdl`. 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 `discretize` function. xbinned = discretize(x,[-inf; edges{j}; inf]); Xbinned(:,j) = xbinned; end `Xbinned` содержит индексы интервала, в пределах от 1 к количеству интервалов, для числовых предикторов. `Xbinned` значения 0 для категориальных предикторов. Если `X` содержит `NaN`s, затем соответствующий `Xbinned` значениями является `NaN`s.
`CategoricalPredictors`	Категориальные индексы предиктора в виде вектора из положительных целых чисел. `CategoricalPredictors` содержит значения индекса, указывающие, что соответствующие предикторы являются категориальными. Значения индекса между 1 и `p`, где `p` количество предикторов, используемых, чтобы обучить модель. Если ни один из предикторов не является категориальным, то это свойство пусто (`[]`).
`CombineWeights`	Вектор символов, описывающий, как ансамбль комбинирует предсказания ученика.
`ExpandedPredictorNames`	Расширенные имена предиктора, сохраненные как массив ячеек из символьных векторов. Если кодирование использования модели для категориальных переменных, то `ExpandedPredictorNames` включает имена, которые описывают расширенные переменные. В противном случае, `ExpandedPredictorNames` совпадает с `PredictorNames`.
`FitInfo`	Числовой массив подходящей информации. `FitInfoDescription` свойство описывает содержимое этого массива.
`FitInfoDescription`	Вектор символов, описывающий значение `FitInfo` массив.
`LearnerNames`	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, `LearnerNames` `{'Tree'}`.
`HyperparameterOptimizationResults`	Описание оптимизации перекрестной проверки гиперпараметров, сохраненных как `BayesianOptimization` возразите или таблица гиперпараметров и присваиваемых значений. Непустой, когда `OptimizeHyperparameters` пара "имя-значение" непуста при создании. Значение зависит от установки `HyperparameterOptimizationOptions` пара "имя-значение" при создании: `'bayesopt'` (значение по умолчанию) — Объект класса `BayesianOptimization` `'gridsearch'` или `'randomsearch'` — Таблица гиперпараметров используемые, наблюдаемые значения целевой функции (потеря перекрестной проверки), и ранг наблюдений от самого низкого (лучше всего) к (худшему) самому высокому
`Method`	Вектор символов с именем алгоритма `fitrensemble` используемый для обучения ансамбль.
`ModelParameters`	Параметры используются в учебном `ens`.
`NumObservations`	Числовой скаляр, содержащий количество наблюдений в обучающих данных.
`NumTrained`	Количество обученных учеников в ансамбле, положительной скалярной величине.
`PredictorNames`	Массив ячеек имен для переменных предикторов, в порядке, в котором они появляются в `X`.
`ReasonForTermination`	Вектор символов, описывающий причину `fitrensemble` остановленные добавляющие слабые ученики ансамблю.
`Regularization`	Структура, содержащая результат `regularize` метод. Используйте `Regularization` с `shrink` понизить ошибку перезамены и уменьшить ансамбль.
`ResponseName`	Вектор символов с именем переменной отклика `Y`.
`ResponseTransform`	Указатель на функцию для преобразования баллов или вектора символов, представляющего встроенную функцию преобразования. `'none'` средние значения никакое преобразование; эквивалентно, `'none'` средние значения `@(x)x`. Добавьте или измените `ResponseTransform` функция с помощью записи через точку: ens.ResponseTransform = @function
`Trained`	Обученные ученики, массив ячеек компактных моделей регрессии.
`TrainedWeights`	Числовой вектор из весов ансамбль присваивает своим ученикам. Ансамбль вычисляет предсказанный ответ путем агрегации взвешенных предсказаний от его учеников.
`W`	Масштабированный `weights`, вектор с длиной `n`, количество строк в `X`. Сумма элементов `W` `1`.
`X`	Матрица или таблица значений предиктора, которые обучили ансамбль. Каждый столбец `X` представляет одну переменную, и каждая строка представляет одно наблюдение.
`Y`	Числовой вектор-столбец с одинаковым числом строк как `X` это обучило ансамбль. Каждая запись в `Y` ответ на данные в соответствующей строке `X`.

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
`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

свернуть все

Обучите повышенный ансамбль регрессии

Скрипт Open Live Script

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 повышенный ансамбль 100 деревьев регрессии с помощью LSBoost метод. Задайте тот Cylinders категориальная переменная.

Mdl = fitrensemble(X,Y,'Method','LSBoost',...
    'PredictorNames',{'W','C'},'CategoricalPredictors',2)

Mdl = 
  RegressionEnsemble
           PredictorNames: {'W'  'C'}
             ResponseName: 'Y'
    CategoricalPredictors: 2
        ResponseTransform: 'none'
          NumObservations: 94
               NumTrained: 100
                   Method: 'LSBoost'
             LearnerNames: {'Tree'}
     ReasonForTermination: 'Terminated normally after completing the requested number of training cycles.'
                  FitInfo: [100x1 double]
       FitInfoDescription: {2x1 cell}
           Regularization: []


  Properties, Methods

Mdl RegressionEnsemble объект модели, который содержит обучающие данные, среди прочего.

Mdl.Trained свойство, которое хранит 100 1 вектор ячейки из обученных деревьев регрессии (CompactRegressionTree объекты модели), которые составляют ансамбль.

Постройте график первого обученного дерева регрессии.

view(Mdl.Trained{1},'Mode','graph')

Figure Regression tree viewer contains an axes object and other objects of type uimenu, uicontrol. The axes object contains 36 objects of type line, text.

По умолчанию, fitrensemble выращивает мелкие деревья для повышенных ансамблей деревьев.

Предскажите экономию топлива автомобилей за 4 000 фунтов с 4, 6, и 8 цилиндров.

XNew = [4000*ones(3,1) [4; 6; 8]];
mpgNew = predict(Mdl,XNew)

mpgNew = 3×1

   19.5926
   18.6388
   15.4810

Советы

Для ансамбля деревьев регрессии, Trained свойство содержит вектор ячейки из ens.NumTrained CompactRegressionTree объекты модели. Для текстового или графического дисплея древовидного t в векторе ячейки войти

view(ens.Trained{t})

Расширенные возможности

Генерация кода C/C++
Генерация кода C и C++ с помощью MATLAB® Coder™.

Указания и ограничения по применению:

predict функционируйте генерация кода поддержек.
Интегрировать предсказание ансамбля в Simulink^®, можно использовать блок RegressionEnsemble Predict в библиотеке Statistics and Machine Learning Toolbox™ или MATLAB^® Функциональный блок с predict функция.
Когда вы обучаете ансамбль при помощи fitrensemble, ограничения генерации кода для деревьев регрессии также применяются к ансамблям деревьев регрессии. Для получения дополнительной информации смотрите Генерацию кода CompactRegressionTree класс.

Для получения дополнительной информации смотрите Введение в Генерацию кода.

Введенный в R2011a

Документация

RegressionEnsemble

Описание

Конструкция

Свойства

Функции объекта

Копировать семантику

Примеры

Обучите повышенный ансамбль регрессии

Советы

Расширенные возможности

Генерация кода C/C++
Генерация кода C и C++ с помощью MATLAB® Coder™.

Смотрите также

Документация Statistics and Machine Learning Toolbox

Поддержка

Документация

RegressionEnsemble

Описание

Конструкция

Свойства

Функции объекта

Копировать семантику

Примеры

Обучите повышенный ансамбль регрессии

Советы

Расширенные возможности

Генерация кода C/C++ Генерация кода C и C++ с помощью MATLAB® Coder™.

Смотрите также

Документация Statistics and Machine Learning Toolbox

Поддержка

Генерация кода C/C++
Генерация кода C и C++ с помощью MATLAB® Coder™.