主要内容

cvshrink

旨在缩小(修剪)

扩展所有的页面

语法

瓦尔斯= cvshrink(实体)
[vals, nlearn] = cvshrink(实体)
[vals, nlearn] = cvshrink(实体、名称、值)

描述

瓦尔斯= cvshrink (实体)返回一个l——- - - - - -T矩阵与旨在值的均方误差。l的数量是λ中的值ens.Regularization结构。T的数量是阈值在薄弱的学习者权重值。如果实体没有一个正则化属性的填写规范方法,通过λ名称-值对。

(瓦尔斯,nlearn)= cvshrink (实体)返回一个l——- - - - - -T矩阵的数量意味着学习者旨在合奏。

(瓦尔斯,nlearn)= cvshrink (实体,名称,值)交叉验证指定的一个或多个额外的选项名称,值对参数。您可以指定几个名称-值对参数在任何顺序Name1 Value1,…,的家。

输入参数

实体

创建一个回归整体,fitrensemble。

名称-值参数

指定可选的双参数作为Name1 = Value1,…,以=家,在那里的名字参数名称和吗价值相应的价值。名称-值参数必须出现在其他参数,但对的顺序无关紧要。

R2021a之前,用逗号来分隔每一个名称和值,并附上的名字在报价。

cvpartition

一个分区创建cvpartition在一个旨在用树。你只能使用一次这四个选项之一:“kfold”,“坚持”,“leaveout”,或“cvpartition”。

坚持

坚持验证测试指定的部分数据,并使用其他数据进行训练。指定一个数字标量0来1。你只能使用其中一个四个选项创建一个旨在树:“kfold”,“坚持”,“leaveout”,或“cvpartition”。

kfold

折叠使用旨在树中,一个正整数。如果你不提供一个交叉验证方法,cvshrink使用10倍交叉验证。你只能使用一次这四个选项之一:“kfold”,“坚持”,“leaveout”,或“cvpartition”。

默认值:10

λ

向量的非负套索的正则化参数值。如果空的,cvshrink不执行交叉验证。

默认值:[]

leaveout

使用分析交叉验证通过设置“上”。你只能使用一次这四个选项之一:“kfold”,“坚持”,“leaveout”,或“cvpartition”。

阈值

数字矢量被切断对权重较低弱的学习者。cvshrink丢弃学习者与下面的重量阈值交叉验证计算。

默认值:0

输出参数

瓦尔斯

l——- - - - - -T矩阵与旨在值的均方误差。l正则化参数的值的数量吗“λ”,T的数量是“阈值”在薄弱的学习者权重值。

nlearn

l——- - - - - -T矩阵与旨在价值观意味着许多学习者的旨在合奏。l正则化参数的值的数量吗“λ”,T的数量是“阈值”在薄弱的学习者权重值。

例子

全部展开

打开生活的脚本

创建一个回归预测里程的合奏carsmall数据。旨在合奏。

加载carsmall数据集,选择位移、马力和车重预测。

负载carsmallX =(位移马力重量);

你可以训练一个袋装回归树。

实体= fitrensemble (X, Y,“方法”,“包”)

fircensemble使用默认模板树对象templateTree ()作为一个学习者当疲软“方法”是“包”。在这个例子中,对于再现性,指定“重现”,真的当您创建一个树模板对象,然后使用对象作为弱的学习者。

rng (“默认”)%的再现性t = templateTree (“复制”,真正的);% reproducibiliy随机预测的选择实体= fitrensemble (X,英里/加仑,“方法”,“包”,“学习者”t);

指定的值λ和阈值。使用这些值旨在合奏。

[vals, nlearn] = cvshrink(实体,“λ”,(。01。11],“阈值”[0 . 01。1])
瓦尔斯=3×318.9150 19.0092 128.5935 18.9099 18.9504 128.8449 19.0328 18.9636 116.8500
nlearn =3×313.7000 11.6000 4.1000 13.7000 11.7000 4.1000 13.9000 11.6000 4.1000

显然,设置一个阈值0.1导致不可接受的错误,虽然一个阈值0.01给阈值的类似的错误0。学习者的阈值的平均数0.01是关于11.4,而平均数量13.8当阈值0。

扩展功能

另请参阅

|