compactregressionensemble
包裹：classreg.learning.regr.
紧回归系综类
描述
(类的)回归集成的紧凑版本回归）。紧凑型版本不包括培训回归集合的数据。因此，您无法使用紧凑的回归集合执行一些任务，例如交叉验证。使用紧凑的回归合奏来进行新数据的预测（回归）。
建造
奴隶=紧凑(富裕的）
输入参数
|
由。创建的回归集成 |
特性
|
分类预测索引指数，指定为正整数的向量。 |
|
描述集合如何结合学习者预测的字符向量。 |
|
扩展的预测器名称，存储为字符向量的单元格数组。 如果模型使用对分类变量的编码，那么 |
|
训练学习者的数量在集合中，一个正标量。 |
|
预测器变量名称的单元格数组，按它们出现的顺序排列 |
|
带有响应变量名称的字符向量 |
|
用于转换分数的函数句柄，或表示内置转换函数的字符向量。 添加或更改 ens.ResponseTransform = @函数 |
|
训练有素的学习者，一个紧凑回归模型的单元阵列。 |
|
合奏的重量矢量分配给其学习者。该合奏通过从其学习者聚合加权预测来计算预测的响应。 |
对象功能
石灰 |
局部可解释的模型不可知解释(LIME) |
损失 |
回归错误 |
partialDependence |
计算部分依赖 |
plotPartialDependence |
创建部分依赖绘图（PDP）和个人有条件期望（ICE）绘图 |
预测 |
使用回归模型的集合来预测响应 |
预测算法 |
对回归集合的预测性重要性估计 |
removeLearners |
删除紧回归集合的成员 |
福芙 |
福利价值观 |
复制语义
价值。要了解值类如何影响复制操作，请参见复制对象。
例子
减少回归尺寸集合
创建一个紧凑的回归集合，以便有效地对新数据进行预测。
加载carsmall数据集。考虑一种解释汽车燃料经济性的模型（英里/加仑)，利用其重量(重量)及气缸数(气瓶）。
加载carsmallX = [重量缸];Y = MPG;
使用的方法训练增强的100个回归树集合LSBoost。指定气瓶是一个分类变量。
Mdl = fitrensemble (X, Y,'predictornames', {' W '那'C'}，......'patericalpricictors', 2)
mdl =回归ensemble predictornames：{'w'c'} racancaltebame：'y'pationoricalpricictors：2 respondetransform：'none'numobservations：94 numtromed：100方法：'lsboost'学习名称游戏：{'树'}原理：'通常终止完成所要求的培训周期数。'fitinfo：[100x1 double] fitinfodescription：{2x1 cell}正则化：[]属性，方法
Mdl是A.回归模型对象，其中包含训练数据。
创建一个紧凑的版本Mdl。
cmdl = compact（mdl）
cmdl = compactregression sensemble predictornames：{'w'c'} racatectename：'y'pationoricalpricictors：2 respondetransform：'none'numtromed：100属性，方法
CMDL.是A.compactregressionensemble模型对象。CMDL.几乎和Mdl。一个例外是CMDL.不存储培训数据。
比较所消耗的空间量Mdl和CMDL.。
mdlinfo = whos（“Mdl”）;cMdlInfo =谁('cmdl'）;[mdlinfo.bytes cmdlinfo.bytes]
ans =1×2524824 499348
Mdl消耗更多的空间CMDL.。
cmdl.train存储训练有素的回归树（compactregreesiontree.模型对象）Mdl。
在Compact Enemble中显示第一棵树的图形。
查看（cmdl.tromed {1}，'模式'那'图形'）;
默认情况下,fitrensemble为树木的增强集合增长浅树。
预测一辆典型汽车的燃油经济性使用紧凑的整体。
典型x = [均值（x（：，1））模式（x（:,2））];predmeanx =预测（cmdl，典型x）
predMeanX = 26.2520
提示
对于回归树的紧凑型集合，训练有素的财产奴隶存储的细胞载体ens.NumTrainedCompactRegressionTree模型对象。用于树的文本或图形显示T.在细胞载体中，输入
视图(实体。训练有素的{T.}）
扩展能力
也可以看看
你也可以从以下列表中选择一个网站:
