RegressionEnsemble

包:classreg.learning.regr
超类:CompactRegressionEnsemble

整体回归

展开全部页面

描述

RegressionEnsemble结合一组训练过的弱学习器模型和这些学习器训练过的数据。它可以通过聚合来自弱学习器的预测来预测新数据的集成响应。

建设

使用创建回归集成对象fitrensemble．

属性

`BinEdges`	的单元格数组指定的数值预测器的Bin边p数字向量，其中p是预测因子的数量。每个向量都包含数值预测器的bin边。类别预测器的单元格数组中的元素为空，因为软件不收纳类别预测器。类型时，软件才会对数值预测器进行分类`“NumBins”`在使用树学习器训练模型时，名称-值参数作为正整数标量。的`BinEdges`属性为空`“NumBins”`值为空(默认值)。您可以重新生成已归档的预测器数据`Xbinned`通过使用`BinEdges`训练模型的属性`mdl`． X = mdl.X;%预测数据Xbinned = 0(大小(X));edges = mdl.BinEdges;查找已分类预测符的索引。idxNumeric = find(~cellfun(@isempty,edges));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 stable(x) x = table2array(x);将x分组到箱子中`离散化`函数。Xbinned =离散化(x，[-inf;边缘{};正]);Xbinned(:，j) = Xbinned;结束 `Xbinned`包含数值预测器的容器索引，范围从1到容器数。`Xbinned`类别预测器的值为0。如果`X`包含`南`S，然后是对应的`Xbinned`值是`南`年代。
`CategoricalPredictors`	分类预测指标，指定为正整数向量。`CategoricalPredictors`包含与包含分类预测器的预测器数据列对应的索引值。如果没有一个预测符是分类的，则此属性为空(`［］`）.
`CombineWeights`	描述集合如何结合学习者预测的字符向量。
`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，则`ExpandedPredictorNames`包括描述展开变量的名称。否则,`ExpandedPredictorNames`和`PredictorNames`．
`FitInfo`	拟合信息的数字数组。的`FitInfoDescription`属性描述此数组的内容。
`FitInfoDescription`	字符向量描述的含义`FitInfo`数组中。
`LearnerNames`	集合中包含弱学习器名称的字符向量的单元数组。每个学习者的名称只出现一次。例如，如果你有100棵树的集合，`LearnerNames`是`{'树'}`．
`HyperparameterOptimizationResults`	超参数的交叉验证优化的描述，存储为`BayesianOptimization`对象或超参数及相关值的表。当`OptimizeHyperparameters`名称-值对在创建时是非空的。属性的设置`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，观察到的目标函数值(交叉验证损失)，以及从最低(最好)到最高(最差)的观察值排序
`方法`	带有算法名称的字符向量`fitrensemble`用于训练整个乐团。
`ModelParameters`	训练参数`实体`．
`NumObservations`	包含训练数据中观察数的数字标量。
`NumTrained`	集合中受过训练的学习者的数量，一个正标量。
`PredictorNames`	预测变量名称的单元格数组，按它们出现的顺序排列`X`．
`ReasonForTermination`	描述原因的字符向量`fitrensemble`停止向集合中添加弱学习器。
`正则化`	方法的结果的结构`规范`方法。使用`正则化`与`缩小`降低复代误差，缩小集合。
`ResponseName`	具有响应变量名称的字符向量`Y`．
`ResponseTransform`	转换分数的函数句柄，或表示内置转换函数的字符向量。`“没有”`表示没有变换;同样,`“没有”`意味着`@ x (x)`．添加或更改`ResponseTransform`函数使用点表示法: ens.ResponseTransform = @函数
`训练有素的`	训练有素的学习者，一个单元阵列的紧凑回归模型。
`TrainedWeights`	集合分配给它的学习器的权重的数字向量。集成通过聚合来自其学习者的加权预测来计算预测的响应。
`W`	的比例`权重`，一个有长度的向量`n`的行数`X`．的元素之和`W`是`1`．
`X`	训练集合的预测值的矩阵或表。的每一列`X`表示一个变量，每一行表示一个观察结果。
`Y`	具有相同行数的数值列向量`X`这训练了整个乐团。每一项`Y`的对应行中的数据是否响应`X`．

对象的功能

`紧凑的`	创建紧凑的回归集成
`crossval`	交叉验证集成
`cvshrink`	交叉验证收缩(修剪)集成
`石灰`	局部可解释模型不可知解释(LIME)
`损失`	回归误差
`partialDependence`	计算部分依赖关系
`plotPartialDependence`	创建部分依赖图(PDP)和个别条件期望图(ICE)
`预测`	使用回归模型集成预测响应
`predictorImportance`	回归集合预测因子重要性的估计
`规范`	找到最小重替换误差和惩罚项的权重
`removeLearners`	删除紧凑回归集成的成员
`resubLoss`	回归误差的再替换
`resubPredict`	用置换法预测系统的响应
`重新开始`	简历培训套装
`沙普利`	沙普利值
`缩小`	修剪合奏

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

列车增强回归集成

打开实时脚本

加载carsmall数据集。考虑一个解释汽车燃油经济性的模型(英里/加仑)利用其重量(重量)及气缸数目(气缸）.

负载carsmallX =[重量钢瓶];Y = mpg;

训练一个由100个回归树组成的增强集合LSBoost方法。指定气缸是分类变量。

Mdl = fitrensemble(X,Y，“方法”，“LSBoost”，.．.“PredictorNames”, {' W '，“C”}，“CategoricalPredictors”, 2)

Mdl = RegressionEnsemble PredictorNames: {'W' 'C'} ResponseName: 'Y' CategoricalPredictors: 2 ResponseTransform: 'none' NumObservations: 94 NumTrained: 100 Method: 'LSBoost' LearnerNames: {'Tree'} reasonforterminate: '完成所要求的训练周期数后正常终止。'FitInfo: [100x1 double] FitInfoDescription: {2x1 cell}正则化:[]属性，方法

Mdl是一个RegressionEnsemble模型对象，其中包含训练数据。

Mdl。训练有素的属性，用于存储已训练的回归树的100 × 1单元格向量(CompactRegressionTree模型对象)组成集成。

绘制第一个训练的回归树的图。

视图(Mdl。训练有素的{1}，“模式”，“图”）

图回归树查看器包含一个轴和uimenu、uicontrol类型的其他对象。坐标轴包含36个类型为line, text的对象。

默认情况下,fitrensemble生长浅树，增加树木的整体。

预测4000磅的4缸、6缸和8缸汽车的燃油经济性。

XNew = [4000*ones(3,1)] [4;6;8]];mpgNew = predict(Mdl,XNew)

mpgNew =3×119.5926 18.6388 15.4810

提示

对于回归树的集合，使用训练有素的属性包含的单元格向量ens.NumTrainedCompactRegressionTree模型对象。用于树的文本或图形显示t在单元格向量中，输入

视图(实体。训练有素的{t}）

扩展功能

C/ c++代码生成
使用MATLAB®Coder™生成C和c++代码。

使用注意事项和限制:

的预测函数支持代码生成。金宝app
将集成的预测集成到Simulink中金宝app^®，你可以使用RegressionEnsemble预测块的统计和机器学习工具箱™库或MATLAB^®函数块。预测函数。
当你用fitrensemble，回归树的代码生成限制也适用于回归树的集合。详情请参见代码生成的CompactRegressionTree类。