RegressionTree类

超类:CompactRegressionTree

回归树

全部展开页面

描述

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。

建设

创建一个RegressionTree对象的使用fitrtree．

属性

`BinEdges`	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`“NumBins”`当使用树学习器训练模型时，将名称-值参数作为正整数标量。的`BinEdges`属性为空`“NumBins”`值为空(默认)。您可以复制被分类的预测器数据`Xbinned`通过使用`BinEdges`训练模型的性质`mdl`． 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`离散化`函数。xbinned =离散化(x,[无穷;边缘{};正]);Xbinned (:, j) = Xbinned;结束 `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。
`CategoricalPredictors`	分类预测指标，指定为一个正整数向量。`CategoricalPredictors`包含指示对应的预测器是分类的索引值。索引值在1到之间`p`,在那里`p`为用于训练模型的预测器数量。如果没有任何预测器是绝对的，则此属性为空(`［］`)．
`CategoricalSplit`	一个n-by-2 cell array`n`分类分割的数量在吗`树`．在每一行`CategoricalSplit`为分类分割提供左值和右值。对每个分支节点进行分类分割`j`基于一个绝对预测变量`z`，则选择左子结点`z`是在`CategoricalSplit (j, 1)`选择正确的子结点，如果`z`是在`CategoricalSplit (j, 2)`．拆分的顺序与树中的节点相同。这些分割的节点可以通过运行找到`cuttype`并选择`“分类”`从上到下的切割。
`孩子们`	一个n-by-2数组，其中包含每个节点的子节点编号`树`,在那里n为节点数。叶节点有子节点`0`．
`CutCategories`	一个n中分支使用的类别的单元格数组`树`,在那里n为节点数。对于每个分支节点`我`基于一个绝对预测变量`x`，则选择左子结点`x`在哪些类别中`CutCategories{1},我`，如果。则选择正确的子节点`x`是其中列出的`CutCategories{2},我`．这两列的`CutCategories`对于基于连续预测器的分支节点和叶节点为空。 `割点`包含的切点`“连续”`削减,`CutCategories`包含类别的集合。
`割点`	一个n元素向量的值用作切入点`树`,在那里n为节点数。对于每个分支节点`我`基于连续的预测变量`x`，则选择左子结点`x <割点(我)`选择正确的子结点，如果`x > =割点(我)`．`割点`是`南`基于分类预测器的分支节点和叶节点。
`CutType`	一个n中每个节点的切割类型`树`,在那里n为节点数。为每个节点`我`，`CutType{我}`是: `“连续”`-如果切割是在形式中定义的`x < v`为一个变量`x`和减少点`v`． `“分类”`—如果cut是由变量定义的`x`接受一组类别中的值。 `'＇`——如果`我`是一个叶节点。 `割点`包含的切点`“连续”`削减,`CutCategories`包含类别的集合。
`CutPredictor`	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`树`,在那里n为节点数。这些变量有时被称为减少变量．叶节点,`CutPredictor`包含一个空字符向量。 `割点`包含的切点`“连续”`削减,`CutCategories`包含类别的集合。
`CutPredictorIndex`	一个n中的每个节点中用于分支的变量的数字索引数组`树`,在那里n为节点数。有关更多信息，请参见`CutPredictor`．
`ExpandedPredictorNames`	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`ExpandedPredictorNames`包括描述扩展变量的名称。否则,`ExpandedPredictorNames`是一样的`PredictorNames`．
`HyperparameterOptimizationResults`	超参数的交叉验证优化描述，存储为`BayesianOptimization`对象或包含超参数和关联值的表。非空的时`OptimizeHyperparameters`名称-值对在创建时是非空的。的设置`HyperparameterOptimizationOptions`创建时的名称-值对: `“bayesopt”`(默认)-类的对象`BayesianOptimization` `“gridsearch”`或`“randomsearch”`-使用的超参数表，观测到的目标函数值(交叉验证损失)，以及观测值从最低(最好)到最高(最差)的排序
`IsBranchNode`	一个n元逻辑向量`ib`这是`真正的`对于每个分支节点和`假`的每个叶节点`树`．
`ModelParameters`	对象的参数`树`．
`NumObservations`	训练数据中的观测数，数值标量。`NumObservations`是否可以小于输入数据的行数`X`当在`X`或响应`Y`．
`NodeError`	一个n元向量`e`节点的误差`树`,在那里n为节点数。`e(我)`是节点的均方误差吗`我`．
`NodeMean`	一个n的每个节点的平均值的元素数值数组`树`,在那里n为树中的节点数。每一个元素`NodeMean`平均值是真实的吗`Y`节点中所有观察值的值。
`NodeProbability`	一个n元向量`p`节点的概率`树`,在那里n为节点数。节点的概率是根据原始数据中满足节点条件的观测值所占的比例来计算的。
`NodeRisk`	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。
`NodeSize`	一个n元向量`大小`的节点大小`树`,在那里n为节点数。节点的大小定义为用于创建满足节点条件的树的数据的观察数。
`NumNodes`	节点数`n`在`树`．
`父`	一个n元向量`p`中每个节点的父节点的编号`树`,在那里n为节点数。根节点的父节点是`0`．
`PredictorNames`	预测器变量名称的单元格数组，按它们出现的顺序排列`X`．
`PruneAlpha`	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`PruneAlpha`有米+ 1个按升序排序的元素。`PruneAlpha (1)`是修剪级别0(不修剪)，`PruneAlpha (2)`用于修剪级别1，以此类推。
`PruneList`	一个n的每个节点中具有修剪级别的元素数值向量`树`,在那里n为节点数。修剪级别从0(不修剪)到米,在那里米为最深处的叶子与根节点之间的距离。
`ResponseName`	指定响应变量名称的字符向量(`Y`)．
`ResponseTransform`	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`“没有”`意味着`@ x (x)`，或者不变换。添加或更改`ResponseTransform`函数使用点表示法: 树。ResponseTransform = @函数
`RowsUsed`	一个n元素逻辑向量，指示原始预测器数据的哪些行(`X`)用于装配。如果软件使用的所有行`X`,然后`RowsUsed`为空数组(`［］`)．
`SurrogateCutCategories`	一个n-element用于分割的代理项的单元格数组`树`,在那里n节点数在吗`树`．为每个节点`k`，`SurrogateCutCategories {k}`是单元格数组。的长度`SurrogateCutCategories {k}`等于在该节点上找到的代理预测器的数量。每个元素的`SurrogateCutCategories {k}`为连续代理预测器的空字符向量，或为类别代理预测器的两元素单元格数组。这个双元素单元格数组的第一个元素列出了由这个代理拆分分配给左子元素的类别，而这个双元素单元格数组的第二个元素则列出了由这个代理拆分分配给右子元素的类别。在每个节点上分割变量的代理项的顺序与中的变量的顺序相匹配`SurrogateCutPredictor`．这个节点上的最优分割变量不会出现。对于非分支(叶)节点，`SurrogateCutCategories`包含一个空单元格。
`SurrogateCutFlip`	一个n用于代理拆分的数字切割赋值的单元格数组`树`,在那里n节点数在吗`树`．为每个节点`k`，`SurrogateCutFlip {k}`是一个数字向量。的长度`SurrogateCutFlip {k}`等于在该节点上找到的代理预测器的数量。每个元素的`SurrogateCutFlip {k}`对于分类代理预测器为零，对于连续代理预测器为数字切割赋值。数字切割赋值可以是-1或+1。对于每个用数字切割分割的代理项C基于连续的预测变量Z，则选择左子结点Z<C这个代理分割的切割赋值是+1，或者Z≥C这个代理分割的分割赋值是-1。类似地，如果Z≥C这个代理分割的切割赋值是+1，或者Z<C这个代理分割的分割赋值是-1。在每个节点上分割变量的代理项的顺序与中的变量的顺序相匹配`SurrogateCutPredictor`．这个节点上的最优分割变量不会出现。对于非分支(叶)节点，`SurrogateCutFlip`包含空数组。
`SurrogateCutPoint`	一个n用于代理的数值的单元格数组`树`,在那里n节点数在吗`树`．为每个节点`k`，`SurrogateCutPoint {k}`是一个数字向量。的长度`SurrogateCutPoint {k}`等于在该节点上找到的代理预测器的数量。每个元素的`SurrogateCutPoint {k}`要么是`南`对于分类代理预测器，或者对于连续代理预测器，进行数字切割。对于每个用数字切割分割的代理项C基于连续的预测变量Z，则选择左子结点Z<C和`SurrogateCutFlip`对于这个代理，分割为+1，如果Z≥C和`SurrogateCutFlip`对于这个代理拆分为-1。类似地，如果Z≥C和`SurrogateCutFlip`对于这个代理，分割为+1，如果Z<C和`SurrogateCutFlip`对于这个代理拆分为-1。在每个节点上分割的代理变量的顺序与返回的变量的顺序匹配`SurrCutPredictor`．这个节点上的最优分割变量不会出现。对于非分支(叶)节点，`SurrogateCutPoint`包含一个空单元格。
`SurrogateCutType`	一个n中每个节点的代理分割类型`树`,在那里n节点数在吗`树`．为每个节点`k`，`SurrogateCutType {k}`是一个单元格数组，其中包含此节点上的代理项拆分变量的类型。变量按照与最优预测器关联的预测量降序排序，只包含具有正向预测量的变量。在每个节点上分割变量的代理项的顺序与中的变量的顺序相匹配`SurrogateCutPredictor`．这个节点上的最优分割变量不会出现。对于非分支(叶)节点，`SurrogateCutType`包含一个空单元格。代理分割类型可以是以下两种`“连续”`如果切割在形式中被定义`Z`<`V`为一个变量`Z`和减少点`V`或`“分类”`如果削减是由是否`Z`接受一组类别中的值。
`SurrogateCutPredictor`	一个n中每个节点中用于代理分割的变量名的单元格数组`树`,在那里n节点数在吗`树`．每个元素的`SurrogateCutPredictor`是一个单元格数组，其中包含此节点上的代理项拆分变量的名称。变量按照与最优预测器关联的预测量降序排序，只包含具有正向预测量的变量。这个节点上的最优分割变量不会出现。对于非分支(叶)节点，`SurrogateCutPredictor`包含一个空单元格。
`SurrogatePredictorAssociation`	一个n-element单元阵列的预测关联度量为代理分裂`树`,在那里n节点数在吗`树`．为每个节点`k`，`SurrogatePredictorAssociation {k}`是一个数字向量。的长度`SurrogatePredictorAssociation {k}`等于在该节点上找到的代理预测器的数量。每个元素的`SurrogatePredictorAssociation {k}`给出了最佳分割和代理分割之间关联的预测度量。在每个节点上的代理分割变量的顺序是变量的顺序`SurrogateCutPredictor`．这个节点上的最优分割变量不会出现。对于非分支(叶)节点，`SurrogatePredictorAssociation`包含一个空单元格。
`W`	的比例`权重`，一个有长度的向量`n`，行数`X`．
`X`	预测值的矩阵或表每一列的`X`表示一个变量，每一行表示一个观察。
`Y`	具有相同行数的数字列向量`X`．中的每个条目`Y`对数据的响应是否在相应的行中`X`．

对象的功能

`紧凑的`	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
`石灰`	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`	对回归树预测因子重要性的估计
`修剪`	通过修剪产生回归子树序列
`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

复制语义

价值。要了解值类如何影响复制操作，请参见复制对象．

例子

全部折叠

构建回归树

打开生活的脚本

加载示例数据。

负载carsmall

使用样本数据构建回归树。响应变量是每加仑英里数，MPG。

[重量，气缸]，MPG，．..“CategoricalPredictors”2,“MinParentSize”, 20岁,．..“PredictorNames”, {' W '，“C”}）

tree = RegressionTree PredictorNames: {'W' ' 'C'} ResponseName: 'Y' CategoricalPredictors: 2 ResponseTransform: 'none' NumObservations: 94属性，方法

预测4,000磅重、4、6、8个汽缸的汽车的行驶里程。

MPG4Kpred =预测(树，[4000 4;4000 6;4000 8])

MPG4Kpred =3×119.2778 19.2778 14.3889

参考文献

[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。

扩展功能

C / c++代码生成
使用MATLAB®Coder™生成C和c++代码。

使用注意事项及限制:

的预测和更新函数支持代码生成。金宝app
将回归树模型的预测集成到Simulink中金宝app^®，你可以使用RegressionTree预测块在统计和机器学习工具箱™库或MATLAB^®函数块预测函数。
当你通过使用fitrtree，适用以下限制。
- 价值“ResponseTransform”名称-值对参数必须为“没有”(默认)。
- 的值不能使用代理符分隔“代孕”名称-值对参数必须为“关闭”．
- 定点代码生成和使用编码器配置器的代码生成不支持分类预测器(金宝app逻辑，分类，字符，字符串,或细胞)．你不能使用“CategoricalPredictors”名称-值参数。要在模型中包含分类预测器，可以使用dummyvar在拟合模型之前。