回归树合奏

随机森林，增强和行李的回归树

回归树合奏是由多个回归树的加权组合组成的预测模型。通常，将多个回归树结合起来会提高预测性能。要使用LSBoost增强回归树，请使用fitrensemble。包装回归树或种植随机的森林[12]，利用fitrensemble或者treebagger。要使用一袋回归树实施分位数回归，请使用treebagger。

对于分类合奏，例如增强或包装的分类树，随机子空合集合或错误纠正的输出代码（ECOC）模型，请参见分类合奏。

应用

回归学习者

火车回归模型使用监督的机器学习预测数据

块

回归征预测

使用决策树的合奏进行回归预测响应

功能

展开全部

回归合奏

创建回归合奏

`fitrensemble`	合适的学习者合奏回归
`袖珍的`	创建紧凑的回归合奏
`Fitensemble`	适合分类和回归的学习者合奏

修改回归合奏

`正规化`	查找权重以最大程度地减少重述错误加罚款期限
`删除者`	删除紧凑型回归合奏的成员
`恢复`	简历培训合奏
`收缩`	修剪合奏

交叉验证回归合奏

`cvshrink`	交叉估算收缩（修剪）合奏
`kfoldloss`	跨验证分区回归模型的损失
`kfoldpredict`	预测交叉验证回归模型中观察结果的响应
`kfoldfun`	回归的跨效率函数

测量性能

`失利`	回归误差
`重新公开`	通过重新结算回归错误

分类观察结果

`预测`	使用回归模型的合奏预测响应
`重新提高`	通过重新结论预测合奏的反应

收集回归合奏的特性

`收集`	收集的属性统计和机器学习工具箱来自GPU的对象

袋装回归树

`treebagger`	创建决策树
`fitrensemble`	合适的学习者合奏回归
`预测`	使用装袋决策树的合奏预测回应
`OOBPREDICT`	集合预测击子外观测
`定量`	使用一袋回归树预测响应分位数
`Oobquantilepredict`	从回归树袋中进行击子外观测的分位数预测

改善回归

杂交 交叉验证合奏

解释回归

`酸橙`	局部可解释的模型不足解释（石灰）
`partialdependence`	计算部分依赖性
`情节依赖性`	创建部分依赖图（PDP）和个人条件期望（ICE）图
`预测象征`	预测因子对回归集合的重要性的估计值
`沙普利`	沙普利值

课程

展开全部

回归合奏

`回归综合`	合奏回归
`compactregressionEnsemble`	紧凑的回归合奏类
`回归分配金`	交叉验证回归合奏

袋装回归树

`treebagger`	决策树
`compacttreebagger`	Bootstrap聚合生长的决策树的紧凑合奏
`回归袋装`	回归合奏通过重新采样而生长

话题

合奏算法
了解合奏学习的不同算法。
合奏学习框架
通过使用许多弱学习者获得高度准确的预测。
火车回归合奏
训练简单的回归合奏。
测试合奏质量
学习评估合奏的预测质量的方法。
选择随机森林的预测因子
使用交互测试算法为随机森林选择分裂预测器。
合奏正则化
自动选择较少的弱学习者作为一个不会降低预测性能的方式。
使用Treebagger的回归树的引导汇总（包袋）
创建一个treebagger回归的合奏。
使用并行处理进行回归TreeBagger工作流程
通过运行加快计算treebagger在平行下。
使用分位数回归检测异常值
使用分位数随机森林检测数据中的离群值。
使用内核平滑的有条件分位数估计
使用分位数随机森林估算给定预测数据的条件分位数，并通过使用内核平滑估算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
使用贝叶斯优化调整分位数随机森林。
使用回归元预测响应预测块
使用最佳超参数训练回归合奏模型，然后使用回归征预测响应预测的块。