cvshrink

Крест подтверждает уменьшение (сокращение) ансамбль

Синтаксис

vals = cvshrink(ens) [vals,nlearn] = cvshrink(ens) [vals,nlearn] = cvshrink(ens,Name,Value)

Описание

vals = cvshrink(ens) возвращает L- T матрица с перекрестными подтвержденными значениями среднеквадратической ошибки. L количество lambda значения в ens.Regularization структура. T количество threshold значения на слабых весах ученика. Если ens не имеет Regularization свойство заполнено regularize метод, передайте lambda пара "имя-значение".

[vals,nlearn] = cvshrink(ens) возвращает L- T матрица среднего количества учеников в перекрестном подтвержденном ансамбле.

[vals,nlearn] = cvshrink(ens,Name,Value) крест подтверждает с дополнительными опциями, заданными одним или несколькими Name,Value парные аргументы. Можно задать несколько аргументов пары "имя-значение" в любом порядке как Name1,Value1,…,NameN,ValueN.

Входные параметры

ens

Ансамбль регрессии, созданный с fitrensemble.

Аргументы name-value

Задайте дополнительные разделенные запятой пары Name,Value аргументы. Name имя аргумента и Value соответствующее значение. Name должен появиться в кавычках. Вы можете задать несколько аргументов в виде пар имен и значений в любом порядке, например: Name1, Value1, ..., NameN, ValueN.

`cvpartition`	Раздел, созданный с `cvpartition` использовать в перекрестном подтвержденном дереве. Можно только использовать одну из этих четырех опций за один раз: `'kfold'`, `'holdout'`, `'leaveout'`, или `'cvpartition'`.
`holdout`	Валидация затяжки тестирует заданную часть данных и использует остальную часть данных для обучения. Задайте числовой скаляр от `0` к `1`. Можно только использовать одну из этих четырех опций за один раз для создания перекрестного подтвержденного дерева: `'kfold'`, `'holdout'`, `'leaveout'`, или `'cvpartition'`.
`kfold`	Количество сгибов, чтобы использовать в перекрестном подтвержденном дереве, положительном целом числе. Если вы не предоставляете метод перекрестной проверки, `cvshrink` использует 10-кратную перекрестную проверку. Можно только использовать одну из этих четырех опций за один раз: `'kfold'`, `'holdout'`, `'leaveout'`, или `'cvpartition'`. Значение по умолчанию: `10`
`lambda`	Вектор из неотрицательных значений параметров регуляризации для лассо. Если пустой, `cvshrink` не выполняет перекрестную проверку. Значение по умолчанию: `[]`
`leaveout`	Используйте перекрестную проверку, "пропускают один" путем установки на `'on'`. Можно только использовать одну из этих четырех опций за один раз: `'kfold'`, `'holdout'`, `'leaveout'`, или `'cvpartition'`.
`threshold`	Числовой вектор с более низкими сокращениями на весах для слабых учеников. `cvshrink` ученики отбрасываний с весами ниже `threshold` в его вычислении перекрестной проверки. Значение по умолчанию: `0`

Выходные аргументы

vals

L- T матрица с перекрестными подтвержденными значениями среднеквадратической ошибки. L количество значений параметра регуляризации 'lambda', и T количество 'threshold' значения на слабых весах ученика.

nlearn

L- T матрица с перекрестными подтвержденными значениями среднего количества учеников в перекрестном подтвержденном ансамбле. L количество значений параметра регуляризации 'lambda', и T количество 'threshold' значения на слабых весах ученика.

Примеры

развернуть все

Перекрестный подтвердите ансамбль регрессии

Скрипт Open Live Script

Создайте ансамбль регрессии для предсказания пробега от carsmall данные. Перекрестный подтвердите ансамбль.

Загрузите carsmall набор данных и избранное смещение, лошадиная сила и вес транспортного средства как предикторы.

load carsmall
X = [Displacement Horsepower Weight];

Можно обучить ансамбль сложенных в мешок деревьев регрессии.

ens = fitrensemble(X,Y,'Method','Bag')

fircensemble использует объект templateTree() дерева шаблона по умолчанию как слабый ученик, когда 'Method' 'Bag'. В этом примере, для воспроизводимости, задают 'Reproducible',true когда вы создаете древовидный объект шаблона, и затем используете объект в качестве слабого ученика.

rng('default') % For reproducibility
t = templateTree('Reproducible',true); % For reproducibiliy of random predictor selections
ens = fitrensemble(X,MPG,'Method','Bag','Learners',t);

Задайте значения для lambda и threshold. Используйте эти значения, чтобы перекрестный подтвердить ансамбль.

[vals,nlearn] = cvshrink(ens,'lambda',[.01 .1 1],'threshold',[0 .01 .1])

vals = 3×3

   18.9150   19.0092  128.5935
   18.9099   18.9504  128.8449
   19.0328   18.9636  116.8500

nlearn = 3×3

   13.7000   11.6000    4.1000
   13.7000   11.7000    4.1000
   13.9000   11.6000    4.1000

Безусловно, устанавливая порог 0.1 приводит к недопустимым ошибкам, в то время как порог 0.01 дает подобные ошибки порогу 0. Среднее количество учеников с порогом 0.01 о 11.4, тогда как средний номер о 13.8 когда порогом является 0.

Смотрите также

regularize | shrink

Документация