Класс: RegressionTree
Ошибка регрессии перезаменой
L = resubLoss(tree)
L = resubLoss(tree,Name,Value)
L = resubLoss(tree,'Subtrees',subtreevector)
[L,se] =
resubLoss(tree,'Subtrees',subtreevector)
[L,se,NLeaf]
= resubLoss(tree,'Subtrees',subtreevector)
[L,se,NLeaf,bestlevel]
= resubLoss(tree,'Subtrees',subtreevector)
[L,...] = resubLoss(tree,'Subtrees',subtreevector,Name,Value)
L = resubLoss(tree)fitrtree используемый, чтобы создать tree.
L = resubLoss(tree,Name,Value)Name,Value парные аргументы. Можно задать несколько аргументов пары "имя-значение" в любом порядке как Name1,Value1,…,NameN,ValueN.
L = resubLoss(tree,'Subtrees',subtreevector)subtreevector.
[ возвращает вектор из стандартных погрешностей ошибок классификации.L,se] =
resubLoss(tree,'Subtrees',subtreevector)
[ возвращает вектор из количеств вершин в деревьях последовательности сокращения.L,se,NLeaf]
= resubLoss(tree,'Subtrees',subtreevector)
[ возвращает лучший уровень сокращения, как задано в L,se,NLeaf,bestlevel]
= resubLoss(tree,'Subtrees',subtreevector)TreeSize пара "имя-значение". По умолчанию, bestlevel уровень сокращения, который дает потерю в одном стандартном отклонении минимальной потери.
[L,...] = resubLoss( возвращает статистику потерь с дополнительными опциями, заданными одним или несколькими tree,'Subtrees',subtreevector,Name,Value)Name,Value парные аргументы. Можно задать несколько аргументов пары "имя-значение" в любом порядке как Name1,Value1,…,NameN,ValueN.
Загрузите carsmall набор данных. Рассмотрите Displacement, Horsepower, и Weight как предикторы ответа MPG.
load carsmall
X = [Displacement Horsepower Weight];Вырастите дерево регрессии, использующее все наблюдения.
Mdl = fitrtree(X,MPG);
Вычислите перезамену MSE.
resubLoss(Mdl)
ans = 4.8952
Несокращенные деревья решений имеют тенденцию сверхсоответствовать. Один способ сбалансировать сложность модели и эффективность из выборки состоит в том, чтобы сократить дерево (или ограничить его рост) так, чтобы эффективность из выборки и в выборке была удовлетворительной.
Загрузите carsmall набор данных. Рассмотрите Displacement, Horsepower, и Weight как предикторы ответа MPG.
load carsmall
X = [Displacement Horsepower Weight];
Y = MPG;Разделите данные в обучение (50%) и валидацию (50%-е) наборы.
n = size(X,1); rng(1) % For reproducibility idxTrn = false(n,1); idxTrn(randsample(n,round(0.5*n))) = true; % Training set logical indices idxVal = idxTrn == false; % Validation set logical indices
Вырастите дерево регрессии использование набора обучающих данных.
Mdl = fitrtree(X(idxTrn,:),Y(idxTrn));
Просмотрите дерево регрессии.
view(Mdl,'Mode','graph');
Дерево регрессии имеет семь уровней сокращения. Уровень 0 является полным, несокращенным деревом (как отображено). Уровень 7 является только корневым узлом (i.e., никакие разделения).
Исследуйте обучающую выборку MSE на каждое поддерево (или уровень сокращения), исключая высший уровень.
m = max(Mdl.PruneList) - 1;
trnLoss = resubLoss(Mdl,'SubTrees',0:m)trnLoss = 7×1
5.9789
6.2768
6.8316
7.5209
8.3951
10.7452
14.8445
MSE для полного, несокращенного дерева является приблизительно 6 модулями.
MSE для дерева, сокращенного к уровню 1, является приблизительно 6,3 модулями.
MSE для дерева, сокращенного к уровню 6 (i.e., пень), приблизительно 14,8 модулей.
Исследуйте выборку валидации MSE на каждом уровне, исключая высший уровень.
valLoss = loss(Mdl,X(idxVal,:),Y(idxVal),'SubTrees',0:m)valLoss = 7×1
32.1205
31.5035
32.0541
30.8183
26.3535
30.0137
38.4695
MSE для полного, несокращенного дерева (уровень 0) является приблизительно 32,1 модулями.
MSE для дерева, сокращенного к уровню 4, является приблизительно 26,4 модулями.
MSE для дерева, сокращенного к уровню 5, является приблизительно 30,0 модулями.
MSE для дерева, сокращенного к уровню 6 (i.e., пень), приблизительно 38,5 модулей.
Чтобы сбалансировать сложность модели и эффективность из выборки, считайте сокращение Mdl к уровню 4.
pruneMdl = prune(Mdl,'Level',4); view(pruneMdl,'Mode','graph')
resubPredict | loss | fitrtree