回归套

包裹：classreg.learning.regr
超类：CompactRegressionEnsemble

集合回归

全部展开页面

描述

回归套结合了一组经过训练的弱学习者模型和这些学习者接受训练的数据。它可以通过聚合弱学习者的预测来预测新数据的整体反应。

建设

使用创建回归集成对象fitrensemble．

属性

`边沿`	数值预测器的箱边，指定为P数值向量,P是预测值的数量。每个向量包括数值预测器的箱边。分类预测器单元格数组中的元素为空，因为软件不存储分类预测器。仅当您指定`“NumBins”`当使用树学习器训练模型时，将名称-值参数作为正整数标量。这个`边沿`属性为空`“NumBins”`值为空（默认值）。您可以复制被分类的预测器数据`Xbinned`通过使用`边沿`训练模型的性质`mdl`． X = mdl.X;%预测数据Xbinned = 0 (size(X));边缘= mdl.BinEdges;找到被分类的预测器的指数。idxNumeric =找到(~ cellfun (@isempty边缘));if iscolumn(idxNumeric) idxNumeric = idxNumeric';end for j = idxNumeric x = x (:，j);%如果x是一个表，则将x转换为数组。If istable(x) x = table2array(x);将x组到bin中`离散化`函数。xbinned =离散化(x,[无穷;边缘{};正]);Xbinned (:, j) = Xbinned;结束 `Xbinned`包含数值预测器的仓位索引，范围从1到仓位数。`Xbinned`分类预测值的值为0。如果`X`包含`楠`S，然后对应的`Xbinned`价值观是`楠`年代。
`分类预测因子`	分类预测指标，指定为一个正整数向量。`分类预测因子`包含指示对应的预测器是分类的索引值。索引值在1到之间`P`,在那里`P`是用于训练模型的预测数。如果没有一个预测值是分类的，则此属性为空(`[]`).
`CombineWeights`	描述集合如何结合学习者预测的特征向量。
`扩展预测器名称`	扩展的预测器名称，存储为字符向量的单元格数组。如果模型对分类变量使用编码，那么`扩展预测器名称`包括描述扩展变量的名称。否则,`扩展预测器名称`与`预测器名称`．
`FitInfo`	拟合信息的数字数组。这个`FitInfoDescription`属性描述此数组的内容。
`FitInfoDescription`	描述字符含义的字符向量`FitInfo`大堆
`LearnerNames`	集合中带有弱学习者名称的字符向量的单元数组。每个学习者的名字只出现一次。例如，如果你有100棵树，`LearnerNames`是`{'Tree'}`．
`超参数优化结果`	超参数的交叉验证优化描述，存储为`BayesianOptimization`对象或超参数和关联值的表。当`OptimizeHyperparameters`名称-值对在创建时是非空的。的设置`超参数优化选项`创建时的名称-值对： `“bayesopt”`（默认）-类的对象`BayesianOptimization` `“网格搜索”`或`“randomsearch”`-使用的超参数表，观测到的目标函数值(交叉验证损失)，以及观测值从最低(最好)到最高(最差)的排序
`方法`	带有算法名称的字符向量`fitrensemble`用于训练合奏。
`模型参数`	训练参数`恩斯`．
`NumObservations`	在训练数据中包含观测数的数值标量。
`NumTrained`	集合中训练过的学习者的数量，一个正标量。
`预测器名称`	预测器变量名称的单元格数组，按它们出现的顺序排列`X`．
`ReasonForTermination`	描述原因的字符向量`fitrensemble`停止在合奏中加入弱者。
`正则化`	的结果的一种结构`规范`方法.使用`正则化`具有`收缩`以降低重新替换错误并缩小集合。
`反应胺`	带有响应变量名称的字符向量`Y`．
`ResponseTransform`	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。`“没有”`表示没有转换；等价地，`“没有”`方法`@（x） x`．添加或更改`ResponseTransform`使用点表示法的函数： ens.ResponseTransform=@作用
`训练有素的`	训练有素的学习者，一个紧凑回归模型的单元阵列。
`训练重量`	集合分配给学习者的权重的数值向量。集合通过聚合学习者的加权预测来计算预测响应。
`W`	鳞片`砝码`，一个具有长度的向量`N`，中的行数`X`．元素的和`W`是`1.`．
`X`	训练集合的预测值矩阵或表。每一列的`X`表示一个变量，每行表示一个观察值。
`Y`	具有与相同行数的数值列向量`X`那训练了整个乐团。中的每个条目`Y`是对数据的对应行中的数据的响应`X`．

目标函数

`契约`	创建紧凑的回归集合
`克罗斯瓦尔`	交叉验证合奏
`热缩`	交叉验证收缩(修剪)集合
`石灰`	局部可解释模型不可知解释（LIME）
`损失`	回归误差
`部分依赖`	计算部分依赖
`plotPartialDependence`	创建部分依赖图（PDP）和单个条件期望图（ICE）
`预测`	使用回归模型预测反应
`预测重要性`	回归集合中预测因子重要性的估计
`规范`	找到权重以最小化再替换误差加上惩罚项
`脱贫工人`	删除紧回归集合的成员
`恢复`	重置换回归误差
`再预测`	用再替换法预测系统的响应
`简历`	恢复训练合奏
`夏普利`	沙普利值
`收缩`	剪枝组合

复制语义

要了解值类如何影响复制操作，请参阅复制对象．

例子

全部崩溃

训练增强回归集成

打开实时脚本

加载carsmall数据集。考虑一个解释汽车燃油经济性的模型(英里/加仑)利用它的重量(重量)钢瓶数量和数量(气缸).

负载carsmallX =[重量圆柱体];Y = MPG;

使用LSBoost方法。指定气缸是一个分类变量。

Mdl = fitrensemble (X, Y,“方法”,“LSBoost”,．..“预测器名称”, {“W”,“C”}，“分类预测因素”,2)

Mdl = RegressionEnsemble PredictorNames: {'W' ' 'C'} ResponseName: 'Y' CategoricalPredictors: 2 ResponseTransform: 'none' NumObservations: 94 NumTrained: 100 Method: 'LSBoost' LearnerNames: {'Tree'} ReasonForTermination: '在完成请求的训练周期数后正常终止。'正则化:[]属性，方法

Mdl是一个回归套模型对象，其中包含训练数据等。

Mdl.训练有素是存储经过训练的回归树的100×1单元向量的属性(CompactRegressionTree组成集合的模型对象。

绘制第一个经过训练的回归树的图形。

视图（Mdl.Trained{1}，“模式”,“图”)

图回归树查看器包含轴对象和uimenu、uicontrol类型的其他对象。Axis对象包含36个类型为line、text的对象。

默认情况下,fitrensemble种植浅的树木，以增强树木的整体效果。

预测4、6和8缸4000磅汽车的燃油经济性。

XNew=[4000*个一（3,1）[4；6；8]]；mpgNew=预测（Mdl，XNew）

mpgNew =3×119.5926 18.6388 15.4810

提示

对于回归树的集合训练有素的属性包含的单元格向量ens.NumTrainedCompactRegressionTree模型对象。用于树的文本或图形显示T在单元向量中，输入

视图(实体。训练有素的{T}）

扩展功能

C / c++代码生成
使用Matlab®编码器生成C和C++代码™.

使用注意事项及限制:

这个预测函数支持代码生成。金宝app
将集合预测集成到Simulink中金宝app^®，你可以使用回归拟合预测统计和机器学习工具箱中的块™ 库还是MATLAB^®函数块预测函数。
当你通过使用fitrensemble，回归树的代码生成限制也适用于回归树的集合。有关详细信息，请参阅代码生成的CompactRegressionTree类。