CompactRegressionEnsemble
包:classreg.learning.regr
紧回归系综类
描述
(类的)回归集成的紧凑版本RegressionEnsemble)．精简版本不包括用于训练回归集成的数据。因此，您不能使用紧凑的回归集成执行某些任务，例如交叉验证。使用紧凑的回归集成对新数据进行预测(回归)。
建设
实体=紧凑(fullEns）
输入参数
|
由。创建的回归集成 |
属性
|
分类预测指标，指定为一个正整数向量。 |
|
描述集合如何结合学习者预测的字符向量。 |
|
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 |
|
集合中训练过的学习者的数量，一个正标量。 |
|
预测器变量名称的单元格数组，按它们出现的顺序排列 |
|
带有响应变量名称的字符向量 |
|
用于转换分数的函数句柄，或表示内置转换函数的字符向量。 添加或更改 ens.ResponseTransform = @函数 |
|
训练有素的学习者，一个紧凑回归模型的单元阵列。 |
|
一个集合分配给它的学习者的权值的数值向量。该集成系统通过聚合来自其学习者的加权预测来计算预测响应。 |
对象的功能
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 |
使用回归模型预测反应 |
predictorImportance |
回归集合中预测因子重要性的估计 |
removeLearners |
删除紧回归集合的成员 |
沙普利 |
沙普利值 |
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
减小回归集成的规模
创建一个紧凑的回归集成，以有效地对新数据进行预测。
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(气缸)．
负载carsmallX =[重量圆柱体];Y = MPG;
使用的方法训练增强的100个回归树集合LSBoost．指定气缸是一个分类变量。
Mdl = fitrensemble (X, Y,“PredictorNames”, {' W '，“C”}，．．.“CategoricalPredictors”, 2)
Mdl = RegressionEnsemble PredictorNames: {'W' ' 'C'} ResponseName: 'Y' CategoricalPredictors: 2 ResponseTransform: 'none' NumObservations: 94 NumTrained: 100 Method: 'LSBoost' LearnerNames: {'Tree'} ReasonForTermination: '在完成请求的训练周期数后正常终止。'正则化:[]属性，方法
Mdl是一个RegressionEnsemble模型对象，其中包含训练数据。
创建一个紧凑的版本Mdl．
CMdl =紧凑(Mdl)
CMdl = CompactRegressionEnsemble PredictorNames: {'W' ' 'C'} ResponseName: 'Y' CategoricalPredictors: 2 ResponseTransform: 'none' NumTrained: 100属性，方法
CMdl是一个CompactRegressionEnsemble模型对象。CMdl几乎一样吗Mdl．一个例外是CMdl不存储训练数据。
比较所消耗的空间量Mdl和CMdl．
mdlInfo =谁(“Mdl”）;cMdlInfo =谁(“CMdl”）;[mdlInfo。字节cMdlInfo.bytes]
ans =1×2524616 499348
Mdl比CMdl．
CMdl。训练有素的存储经过训练的回归树(CompactRegresionTree模型对象)Mdl．
显示紧凑型集成中的第一棵树的图。
视图(CMdl。训练有素的{1},“模式”，“图”）;
默认情况下,fitrensemble种植浅的树木，以增强树木的整体效果。
预测一辆典型汽车的燃油经济性使用紧凑的整体。
typicalX = [mean(X(:，1)) mode(X(:，2))];predMeanX =预测(CMdl typicalX)
predMeanX = 26.2520
提示
对于一个紧凑的回归树集合训练有素的的属性实体存储的细胞载体ens.NumTrainedCompactRegressionTree模型对象。用于树的文本或图形显示t在细胞载体中，输入
视图(实体。训练有素的{t}）
扩展功能
你也可以从以下列表中选择一个网站:
