整体算法

了解集成学习的不同算法。

集成学习框架

利用许多弱学习者获得高度准确的预测。

火车回归合奏

训练一个简单的回归集合。

测试整体质量

学习评价集成的预测质量的方法。

选择随机森林的预测器

使用交互测试算法选择随机森林的分裂预测器。

合奏正规化

在不降低预测性能的情况下，自动为集成选择较少的弱学习者。

使用TreeBagger的回归树的Bootstrap聚集(Bagging)

创建一个TreeBagger回归的合奏。

使用并行处理回归TreeBagger工作流

通过运行来加速计算TreeBagger并行执行。

使用分位数回归检测离群值

使用分位数随机森林检测数据中的异常值。

使用核平滑的条件分位数估计

利用分位数随机森林估计给定预测数据的响应的条件分位数，并利用核平滑估计响应的条件分布函数。

使用分位数误差和贝叶斯优化调整随机森林

使用贝叶斯优化优化分位数随机森林。

使用RegressionEnsemble Predict Block预测响应

训练具有最优超参数的回归集成模型，然后使用RegressionEnsemble预测响应预测块。