quantilePredict
预测响应使用袋分位数回归树
语法
描述
输入参数
输出参数
例子
更多关于
提示
quantilePredict
估计响应使用训练数据的条件分布每次调用它。预测许多有效分位数,或许多观察有效分位数,你应该通过X
作为观察和指定的矩阵或表中的所有分位数向量使用分位数
名称-值对的论点。也就是说,避免调用quantilePredict
在一个循环。
算法
的
TreeBagger
增加一个随机森林回归树使用训练数据。然后,实现分位数随机森林,quantilePredict
预测使用经验条件分布分位数响应给定一个观察的预测变量。获得响应的实验条件分布:这个过程描述了如何
quantilePredict
使用所有指定的权重。对所有培训的观察j= 1,…,n和所有选择树t= 1,…,T,
quantilePredict
产品属性vtj=btjwj,奥林匹克广播服务公司训练观察j(存储在Mdl.X (
和j
:)Mdl.Y (
)。btj是观察的次数j在树的引导样品吗t。wj,奥林匹克广播服务公司观察体重在吗j
)Mdl.W (
。j
)对于每一个选择树,
quantilePredict
标识每个训练观察落的叶子。让年代t(xj)中包含的所有观察叶子的树t的观察j是一个成员。对于每一个选择树,
quantilePredict
使所有的重量在一个特定的规范化叶总和为1,也就是说,对于每一个训练观察和树,
quantilePredict
包含树的重量(wt、树所指定的)TreeWeights
,也就是说,w*tj、树=wt、树vtj*树没有选择预测有0的重量。对所有测试观察k= 1,…,K在
X
和所有选择树t= 1,…,TquantilePredict
预测的独特观察秋天的树叶,然后确定预测中的所有训练观察树叶。quantilePredict
属性权重utj这样quantilePredict
总结权重在所有选择的树,也就是说,quantilePredict
创建响应权重通过规范权重之和为1,也就是说,
引用
[1]Breiman, L。“随机森林。”机器学习45岁的5-32,2001页。
[2]Meinshausen认为:“分位数回归森林。”机器学习研究杂志》上7卷,2006年,页983 - 999。
版本历史
介绍了R2016b