回归树
用于回归的二叉决策树。类的对象RegressionTree
可以预测对新数据的反应预测
方法。该对象包含用于训练的数据,因此可以计算重新替换预测。
创建一个RegressionTree
通过使用fitrtree
.
|
的单元格数组指定为数值预测器的Bin边p数值向量,p是预测器的数量。每个向量包括一个数字预测器的箱边。用于分类预测器的单元格数组中的元素为空,因为软件没有将分类预测器存储在存储单元中。 只有当您指定 您可以复制被分类的预测器数据 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
Xbinned 包含用于数字预测器的容器索引,范围从1到容器数量。Xbinned 对于分类预测器,值为0。如果X 包含南 S,然后对应的Xbinned 值是南 年代。 |
|
分类预测指标,指定为一个正整数向量。 |
|
一个n-by-2 cell array |
|
一个n-by-2数组,其中包含每个节点的子节点编号 |
|
一个n中分支使用的类别的单元格数组
|
|
一个n元素向量的值用作切入点 |
|
一个n中每个节点的切割类型
|
|
一个n中的每个节点中用于分支的变量名称的单元格数组
|
|
一个n中的每个节点中用于分支的变量的数字索引数组 |
|
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 |
|
超参数的交叉验证优化描述,存储为
|
|
一个n元逻辑向量 |
|
对象的参数 |
|
训练数据中的观测数,数值标量。 |
|
一个n元向量 |
|
一个n的每个节点的平均值的元素数值数组 |
|
一个n元向量 |
|
一个n-树中节点风险的元素向量,其中n为节点数。每个节点的风险是由节点概率加权的节点误差。 |
|
一个n元向量 |
|
节点数 |
|
一个n元向量 |
|
预测器变量名称的单元格数组,按它们出现的顺序排列 |
|
数字向量,每个修剪级别有一个元素。修剪级别的取值范围为0 ~米,然后 |
|
一个n的每个节点中具有修剪级别的元素数值向量 |
|
指定响应变量名称的字符向量( |
|
用于转换原始响应值(均方误差)的函数句柄。函数句柄必须接受响应值的矩阵,并返回相同大小的矩阵。默认的 添加或更改 tree.responsetransform = @函数 |
|
一个n元素逻辑向量,指示原始预测器数据的哪些行( |
|
一个n-element用于分割的代理项的单元格数组 |
|
一个n用于代理拆分的数字切割赋值的单元格数组 |
|
一个n用于代理的数值的单元格数组 |
|
一个n中每个节点的代理分割类型 |
|
一个n- 用于在每个节点中用于代理拆分的变量的名称的单元阵列 |
|
一个n-element单元阵列的预测关联度量为代理分裂 |
|
的比例 |
|
预测值的矩阵或表每一列的 |
|
具有相同行数的数字列向量 |
袖珍的 |
紧凑的回归树 |
crossval |
旨在决策树 |
cvloss |
交叉验证的回归误差 |
收集 |
收集的属性统计和机器学习工具箱对象从GPU |
酸橙 |
局部可解释的模型不可知解释(LIME) |
损失 |
回归误差 |
partialDependence |
计算部分依赖 |
plotPartialDependence |
创建部分依赖图(PDP)和个人条件期望图(ICE) |
预测 |
使用回归树预测响应 |
predictorImportance |
对回归树预测的重要性估计 |
修剪 |
通过修剪产生回归子树的序列 |
resubLoss |
再代换的回归误差 |
resubPredict |
预测树木的再替代反应 |
沙普利 |
沙普利值 |
surrogateAssociation |
回归树中代理分割关联的平均预测度量 |
视图 |
视图回归树 |
价值。要了解值类如何影响复制操作,请参见复制对象.
[1] Breiman, L., J. Friedman, R. Olshen, C. Stone。分类与回归树.佛罗里达州博卡拉顿:CRC出版社,1984。