Класс: RegressionTree
Ошибка регрессии перекрестной проверкой
E = cvloss(tree)
[E,SE] =
cvloss(tree)
[E,SE,Nleaf]
= cvloss(tree)
[E,SE,Nleaf,BestLevel]
= cvloss(tree)
[E,...] = cvloss(tree,Name,Value)
E = cvloss(tree)tree, дерево регрессии.
[ возвращает стандартную погрешность E,SE] =
cvloss(tree)E.
[ возвращает количество листов (терминальные узлы) в E,SE,Nleaf]
= cvloss(tree)tree.
[ возвращает оптимальный уровень сокращения для E,SE,Nleaf,BestLevel]
= cvloss(tree)tree.
[ крест подтверждает с дополнительными опциями, заданными одним или несколькими E,...] = cvloss(tree,Name,Value)Name,Value парные аргументы. Можно задать несколько аргументов пары "имя-значение" в любом порядке как Name1,Value1,…,NameN,ValueN.
Вычислите ошибку перекрестной проверки для дерева регрессии по умолчанию.
Загрузите carsmall набор данных. Рассмотрите Displacement, Horsepower, и Weight как предикторы ответа MPG.
load carsmall
X = [Displacement Horsepower Weight];Вырастите дерево регрессии использование целого набора данных.
Mdl = fitrtree(X,MPG);
Вычислите ошибку перекрестной проверки.
rng(1); % For reproducibility
E = cvloss(Mdl)E = 27.6976
E взвешенное 10-кратное, средний MSE (взвешенный количеством тестовых наблюдений в сгибах).
Примените перекрестную проверку k-сгиба, чтобы найти, что лучший уровень сокращает дерево регрессии для всех его поддеревьев.
Загрузите carsmall набор данных. Рассмотрите Displacement, Horsepower, и Weight как предикторы ответа MPG.
load carsmall
X = [Displacement Horsepower Weight];Вырастите дерево регрессии использование целого набора данных. Просмотрите получившееся дерево.
Mdl = fitrtree(X,MPG); view(Mdl,'Mode','graph')
Вычислите 5-кратную ошибку перекрестной проверки для каждого поддерева за исключением первых двух самых низких и самых высоких уровней сокращения. Задайте, чтобы возвратить лучший уровень сокращения по всем поддеревьям.
rng(1); % For reproducibility
m = max(Mdl.PruneList) - 1m = 15
[~,~,~,bestLevel] = cvloss(Mdl,'SubTrees',2:m,'KFold',5)
bestLevel = 14
Из 15 сокращая уровни, лучшим уровнем сокращения является 14.
Сократите дерево к лучшему уровню. Просмотрите получившееся дерево.
MdlPrune = prune(Mdl,'Level',bestLevel); view(MdlPrune,'Mode','graph')
Можно создать перекрестную подтвержденную древовидную модель с crossval, и вызовите kfoldLoss вместо cvloss. Если вы собираетесь исследовать перекрестное подтвержденное дерево несколько раз, то альтернатива может сэкономить время.
Однако различающийся cvloss, kfoldLoss не возвращает SE, Nleaf, или BestLevel.