Мешок деревьев решений
TreeBagger
увольняет ансамбль деревьев решений или для классификации или для регрессии. Укладывание в мешки обозначает агрегацию начальной загрузки. Каждое дерево в ансамбле выращено на независимо чертившей копии начальной загрузки входных данных. Наблюдения, не включенные в эту копию, "из сумки" для этого дерева.
TreeBagger
использует ClassificationTree
и RegressionTree
функциональность для роста отдельных деревьев. В частности, ClassificationTree
и RegressionTree
принимает количество функций, выбранных наугад для каждого разделения решения как дополнительный входной параметр. Таким образом, TreeBagger
реализует случайный лесной алгоритм [1].
Для проблем регрессии, TreeBagger
среднее значение поддержек и регрессия квантиля (то есть, лес регрессии квантиля [2]).
Чтобы предсказать средние ответы или оценить среднеквадратические ошибочные определенные данные, передайте TreeBagger
модель и данные к predict
или error
, соответственно. Чтобы выполнить подобные операции для наблюдений из сумки, используйте oobPredict
или oobError
.
Чтобы оценить квантили распределения ответа или ошибочных определенных данных квантиля, передайте TreeBagger
модель и данные к quantilePredict
или quantileError
, соответственно. Чтобы выполнить подобные операции для наблюдений из сумки, используйте oobQuantilePredict
или oobQuantileError
.
TreeBagger | Создайте мешок деревьев решений |
append | Добавьте новые деревья ансамблю |
compact | Компактный ансамбль деревьев решений |
error | Ошибка (misclassification вероятность или MSE) |
fillprox | Матрица близости для обучающих данных |
growTrees | Обучите дополнительные деревья и добавьте к ансамблю |
margin | Поле классификации |
mdsprox | Многомерное масштабирование матрицы близости |
meanMargin | Среднее поле классификации |
oobError | Ошибка из сумки |
oobMargin | Поля из сумки |
oobMeanMargin | Средние поля из сумки |
oobPredict | Предсказания ансамбля для наблюдений из сумки |
oobQuantileError | Потеря квантиля из сумки мешка деревьев регрессии |
oobQuantilePredict | Предсказания квантиля для наблюдений из сумки от мешка деревьев регрессии |
partialDependence | Вычислите частичную зависимость |
plotPartialDependence | Создайте графики отдельного условного ожидания (ICE) и частичный график зависимости (PDP) |
predict | Предскажите ансамбль использования ответов сложенных в мешок деревьев решений |
quantileError | Потеря квантиля с помощью мешка деревьев регрессии |
quantilePredict | Предскажите квантиль ответа с помощью мешка деревьев регрессии |
|
Массив ячеек, содержащий имена классов для переменной отклика |
|
Логический флаг, задающий, должны ли предсказания из сумки для учебных наблюдений быть вычислены. Значением по умолчанию является Если этим флагом является
Если этим флагом является
|
|
Логический флаг, задающий, должны ли оценки из сумки переменной важности быть вычислены. Значением по умолчанию является Если этим флагом является
|
|
Квадратная матрица, где Это свойство:
|
|
Значение по умолчанию возвращено
|
|
Числовой массив размера 1 Nvars изменений в критерии разделения, суммированном по разделениям на каждой переменной, усредненной через целый ансамбль выращенных деревьев. |
|
Часть наблюдений, которые случайным образом выбраны с заменой для каждой копии начальной загрузки. Размером каждой копии является Nobs × |
|
Логический флаг, задающий, объединены ли листы дерева решений с тем же родительским элементом для разделений, которые не уменьшают общий риск. Значением по умолчанию является |
|
Метод используется деревьями. Возможными значениями является |
|
Минимальное количество наблюдений на древовидный лист. По умолчанию, |
|
Скалярное значение, равное количеству деревьев решений в ансамбле. |
|
Числовой массив размера 1 Nvars, где каждый элемент дает много разделений на этом предикторе, суммированном по всем деревьям. |
|
Количество предиктора или переменных функции, чтобы выбрать наугад для каждого разделения решения. По умолчанию, |
|
Логический массив размера Nobs-by-NumTrees, где Nobs является количеством наблюдений в обучающих данных и NumTrees, является количеством деревьев в ансамбле. |
|
Числовой массив размера Nobs-by-1 содержащий количество деревьев, используемых в вычислениях ответ из сумки для каждого наблюдения. Nobs является количеством наблюдений в обучающих данных, используемых, чтобы создать ансамбль. |
|
Числовой массив размера 1 Nvars, содержащим меру переменной важности для каждого переменного предиктора (функция). Для любой переменной мерой является различие между количеством повышенных полей и количеством пониженных полей, если значения той переменной переставлены через наблюдения из сумки. Эта мера вычисляется для каждого дерева, затем составила в среднем по целому ансамблю и разделилась на стандартное отклонение по целому ансамблю. Это свойство пусто для деревьев регрессии. |
|
Числовой массив размера 1 Nvars, содержащим важную меру для каждого переменного предиктора (функция). Для любой переменной мерой является увеличение ошибки предсказания, если значения той переменной переставлены через наблюдения из сумки. Эта мера вычисляется для каждого дерева, затем составила в среднем по целому ансамблю и разделилась на стандартное отклонение по целому ансамблю. |
|
Числовой массив размера 1 Nvars, содержащим важную меру для каждого переменного предиктора (функция). Для любой переменной мерой является уменьшение в поле классификации, если значения той переменной переставлены через наблюдения из сумки. Эта мера вычисляется для каждого дерева, затем составила в среднем по целому ансамблю и разделилась на стандартное отклонение по целому ансамблю. Это свойство пусто для деревьев регрессии. |
|
Числовой массив размера Nobs-by-1, где Nobs является количеством наблюдений в обучающих данных, содержа меры по выбросу для каждого наблюдения. |
|
Числовой вектор из априорных вероятностей для каждого класса. Порядок элементов Это свойство:
|
|
Числовая матрица размера Nobs-by-Nobs, где Nobs является количеством наблюдений в обучающих данных, содержа меры близости между наблюдениями. Для любых двух наблюдений их близость задана как часть деревьев, для которых эти наблюдения приземляются на тот же лист. Это - симметрическая матрица с 1 с на диагональных и недиагональных элементах в пределах от от 0 до 1. |
|
|
|
Логический флаг, задающий, производятся ли данные для каждого дерева решений с заменой. Этим свойством является |
|
Массив ячеек аргументов для |
|
Массив ячеек размера NumTrees-by-1 содержащий деревья в ансамбле. |
|
Матрица A размера Nvars-by-Nvars с прогнозирующими мерами переменной ассоциации, усредненной через целый ансамбль выращенных деревьев. Если вы вырастили установку |
|
Массив ячеек, содержащий имена переменных предикторов (функции). |
|
Числовой вектор из весов длины Nobs, где Nobs является количеством наблюдений (строки) в обучающих данных. |
|
Таблица или числовая матрица размера Nobs-by-Nvars, где Nobs является количеством наблюдений (строки) и Nvars, являются количеством переменных (столбцы) в обучающих данных. Если вы обучаете ансамбль, использующий таблицу значений предиктора, то |
|
Размер массив Nobs данных об ответе. Элементы |
Значение. Чтобы изучить, как это влияет на ваше использование класса, смотрите Сравнение Указателя и Классов Значения в MATLAB® Документация Объектно-ориентированного программирования.
Для TreeBagger
объект модели B
, Trees
свойство хранит вектор ячейки из B.NumTrees
CompactClassificationTree
или CompactRegressionTree
объекты модели. Для текстового или графического дисплея древовидного t
в векторе ячейки войти
view(B.Trees{t})
Statistics and Machine Learning Toolbox™ предлагает три объекта для укладывания в мешки и случайного леса:
ClassificationBaggedEnsemble
созданный fitcensemble
для классификации
RegressionBaggedEnsemble
созданный fitrensemble
для регрессии
TreeBagger
созданный TreeBagger
для классификации и регрессии
Для получения дополнительной информации о различиях между TreeBagger
и уволенные ансамбли (ClassificationBaggedEnsemble
и RegressionBaggedEnsemble
), смотрите Сравнение TreeBagger и Уволенных Ансамблей.
[1] Бреимен, L. "Случайные Леса". Машинное обучение 45, стр 5–32, 2001.
[2] Meinshausen, N. “Леса Регрессии квантиля”. Журнал Исследования Машинного обучения, Издания 7, 2006, стр 983–999.
error
| oobError
| TreeBagger
| CompactTreeBagger
| compact
| view
| view
| oobPredict
| predict