主要内容

cvloss

类:RegressionTree

交叉验证的回归误差

全部展开页面

语法

E = cvloss(树)
(E, SE) = cvloss(树)
[E、SE、Nleaf] = cvloss(树)
[E, SE, Nleaf BestLevel] = cvloss(树)
(E,…] = cvloss(树、名称、值)

描述

E= cvloss (树）的交叉验证回归错误(损失)树，回归树。

［E，SE) = cvloss (树）返回的标准错误E．

［E，SE，Nleaf) = cvloss (树）中的叶节点(终端节点)的数量树．

［E，SE，Nleaf，BestLevel) = cvloss (树）的最佳修剪级别树．

［E，...) = cvloss (树，名称,值）使用一个或多个指定的附加选项进行交叉验证名称,值对参数。可以以任意顺序指定多个名称-值对参数Name1, Value1,…,的家．

输入参数

全部展开

训练的回归树，指定为RegressionTree对象构造使用fitrtree．

名称-值参数

指定可选的逗号分隔的对名称,值参数。的名字参数名和价值为对应值。的名字必须出现在引号内。可以以任意顺序指定多个名称和值对参数Name1, Value1,…,的家．

修剪级别，指定为逗号分隔的对，由“子树”一个非负整数的升序或向量“所有”．

如果指定一个向量，则所有元素必须至少为0在大多数马克斯(tree.PruneList)．0表示完整的、未修剪的树马克斯(tree.PruneList)表示被完全修剪的树(即根节点)。

如果您指定“所有”,然后cvloss操作所有的子树(即，整个修剪序列)。这个规范等同于使用0:马克斯(tree.PruneList)．

cvloss李子树的每一层子树，然后估计相应的输出参数。的大小子树确定某些输出参数的大小。

调用子树,属性PruneList和PruneAlpha的树必须非空的。换句话说，就是成长树通过设置“删除”,“上”，或修剪树使用修剪．

例子:“子树”,“所有”

数据类型:单|双|字符|字符串

树大小，指定为逗号分隔对，由“TreeSize”以及以下其中之一:

  • “本身”- - - - - -cvloss使用最小树，其代价在最小代价的一个标准误差之内。

  • “最小值”- - - - - -cvloss使用最小成本树。

要在交叉验证的树中使用的折叠数，指定为逗号分隔的对，由“KFold”和一个大于1的正整数。

例子:“KFold”,8

输出参数

全部展开

交叉验证均方误差(损失)，返回为矢量或标量，这取决于子树名称-值对。

的标准误差E的设置，返回为向量或标量子树名称-值对。

叶节点的数量树的设置，返回为向量或标量子树名称-值对。叶节点是终端节点，它给出响应，而不是分割。

中定义的最佳修剪级别TreeSize名称-值对，作为其值依赖于的标量返回TreeSize：

  • 如果TreeSize是“本身”,然后BestLevel达到的最大修剪级别是否为E在SE最小误差。

  • 如果TreeSize是“最小值”,然后BestLevel最小值在子树．

例子

全部展开

打开生活的脚本

计算默认回归树的交叉验证错误。

加载carsmall数据集。考虑位移，马力,重量作为反应的预测器英里/加仑．

负载carsmallX =[排量马力重量];

使用整个数据集生长回归树。

Mdl = fitrtree (X, MPG);

计算交叉验证错误。

rng (1);%的再现性E = cvloss (Mdl)
E = 27.6976

E是10倍加权的平均MSE(按折叠中测试观察的数量加权)。

打开生活的脚本

应用k-fold交叉验证，以找到最佳水平修剪回归树的所有子树。

加载carsmall数据集。考虑位移，马力,重量作为反应的预测器英里/加仑．

负载carsmallX =[排量马力重量];

使用整个数据集生长回归树。查看结果树。

Mdl = fitrtree (X, MPG);视图(Mdl,“模式”，“图”）

图回归树查看器包含一个轴对象和其他类型的uimenu, uicontrol对象。axis对象包含60个类型为line, text的对象。

计算除前两个最低和最高修剪级别外的每一个子树的5倍交叉验证错误。指定返回所有子树的最佳修剪级别。

rng (1);%的再现性m = max(Mdl.PruneList) - 1
m = 15
[~, ~, ~, bestLevel] = cvloss (Mdl,“子树”, 2: m,“KFold”5)
bestLevel = 14

的15修剪水平，最好的修剪水平是14．

把树修剪到最好的水平。查看结果树。

MdlPrune =修剪(Mdl,“水平”, bestLevel);视图(MdlPrune,“模式”，“图”）

图回归树查看器包含一个轴对象和其他类型的uimenu, uicontrol对象。axis对象包含12个类型为line, text的对象。

选择

您可以使用以下工具构建一个交叉验证的树模型crossval,叫kfoldLoss而不是cvloss．如果您打算多次检查交叉验证的树，那么替代方法可以节省时间。

但是,与cvloss，kfoldLoss不返回SE，Nleaf,或BestLevel．

扩展功能

另请参阅

|||

统计和机器学习工具箱文档

金宝app

掌握机器学习:一步一步的指导与MATLAB

掌握机器学习:一步一步的指导与MATLAB

下载电子书