RegressionEnsemble

包:classreg.learning.regr
超类:compactregressionensemble

整体回归

展开所有页面

描述

RegressionEnsemble结合一组训练过的弱学习者模型和这些学习者训练过的数据。它可以通过聚合弱学习者的预测来预测新数据的集成响应。

建造

使用。创建回归集成对象fitrensemble．

特性

`BinEdges`	的单元格数组指定为数值预测器的Bin边p数字向量，在哪里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'`名称 - 值参数作为带有树学习者培训模型时的正整数标量。的`BinEdges`房产是空的`'numbins'`值为空(默认)。您可以重现Binned Predictor数据`Xbinned`通过使用`BinEdges`训练模型的性质`mdl`． x = mdl.x;％predictor数据xbinned = zeros（size（x））;边缘= mdl.bineges;％查找箱预测因子的指数。idxnumeric = find（〜cellfun（@ isempty，边））;如果是iscumn（idxnumeric）idxnumeric = idxnumeric';j = idxnumeric x = x（：，j）;如果x是表，％将x转换为数组。如果是Istable（x）x = table2array（x）;结束％X通过使用X进入垃圾箱`离散化`函数。xbinned =离散化（x，[ - inf;边缘{j}; inf]）;Xbinned（：，j）= xbinned;结尾 `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，然后相应的`Xbinned`值是`南`s。
`CategoricalPredictors`	分类预测索引指定为正整数的向量。`CategoricalPredictors`包含与包含分类预测器的预测器数据列对应的索引值。如果没有预测器都是分类的，则此属性是空的（`［］`）．
`联合重量`	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，那么`ExpandedPredictorNames`包括描述扩展变量的名称。否则，`ExpandedPredictorNames`是一样的`PredictorNames`．
`FitInfo`	适合信息的数字数组。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。
`学习名`	字符向量的细胞阵列，合奏中的弱学习者的名称。每个学习者的名称只出现一次。例如，如果您有100棵树的合奏，`学习名`是`{'树'}`．
`HyperparameterOptimizationResults`	超参数的交叉验证优化的描述，存储为a`贝叶斯偏见`对象或包含超参数和关联值的表。非空的时`优化hyperParameters.`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`贝叶斯偏见` `“gridsearch”`要么`'randomsearch'`- 使用的超参数表，观察到的目标函数值（交叉验证丢失），以及从最低（最佳）到最高（最差）的观察等级
`方法`	具有算法名称的字符向量`fitrensemble`用于训练集合。
`ModelParameters`	用于培训的参数`实体`．
`NumObservations`	数字标量包含培训数据中的观察次数。
`麻木`	合奏中的训练学习者数量，一个正标量。
`PredictorNames`	预测器变量的一个小区数组，按照它们出现的顺序`X`．
`原理`	描述原因的字符矢量`fitrensemble`停止把弱学习者加入到合奏中。
`正则化`	包含结果结果的结构`正规化`方法。使用`正则化`与`缩小`以降低重新替换错误并缩小整体。
`ResponseName`	带有响应变量名称的字符向量`Y`．
`OrkeTransform.`	用于转换分数的功能手柄，或表示内置变换函数的字符矢量。`“没有”`意味着没有转换;同样,`“没有”`意味着`@ x (x)`．添加或更改`OrkeTransform.`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，一个紧凑回归模型的单元阵列。
`TrainedWeights`	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。
`W`	的比例`权重`，一个有长度的向量`n`，行数`X`．元素的总和`W`是`1`．
`X`	训练该合奏的预测值值的矩阵或表。每列`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`这训练了整个团队。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`	创建紧凑回归集成
`crossval`	交叉验证合奏
`cvshrink`	交叉验证萎缩（修剪）合奏
`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
`绘图竞争依赖性`	创建部分依赖图(PDP)和个人条件期望图(ICE)
`预测`	使用回归模型的集合来预测响应
`predictorImportance`	回归集合的预测因素重要性估计
`正规化`	寻找权重，以最小化再替换误差加上惩罚项
`removeLearners`	删除紧凑型回归集合的成员
`resubLoss`	再代换的回归误差
`resubPredict`	通过重新提出的集团预测响应
`的简历`	恢复训练合奏
`沙普利`	福利价值观
`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

火车增强回归集合

打开生活的脚本

加载Carsmall.数据集。考虑一种解释汽车燃料经济性的模型（MPG.)，利用其重量(重量)及气缸数(气瓶）．

负载Carsmall.X = [重量缸];y = mpg;

使用的方法训练增强的100个回归树集合LSBoost方法。指定气瓶是一个分类变量。

mdl = fitrensemble（x，y，'方法'，“LSBoost”，......“PredictorNames”，{' W '，'C'}，“CategoricalPredictors”, 2)

mdl =回归ensemble predictornames：{'w'c'} racatectename：'y'pationoricalpricictors：2 responsefransform：'none'numobservations：94 numtromed：100方法：'lsboost'学员名称：{'树'}原理：'通常终止完成所要求的培训周期数。'fitinfo：[100x1 double] fitinfodescription：{2x1 cell}正则化：[]属性，方法

Mdl是A.RegressionEnsemble模型对象，其中包含训练数据。

Mdl。训练有素的是存储经过训练的回归树的100 × 1细胞向量的属性(Compactregressiontree.模型对象)组成集成。

绘制第一个经过训练的回归树的图。

视图(Mdl。训练有素的{1},“模式”，'图形'）

Figure回归树查看器包含UIMEnu，UIControl类型的轴和其他对象。轴包含36个类型的类型线，文本。

默认情况下，fitrensemble为树木的增强集合增长浅树。

预测4,000磅4、6和8个汽缸的汽车的燃油经济性。

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

mpgnew =3×119.5926 18.6388 15.4810

提示

对于回归树的集合，训练有素的属性包含的单元格向量ens.numtromed.Compactregressiontree.模型对象。用于树的文本或图形显示t在细胞载体中，输入

查看（ens.tromed {t}）

扩展能力

C / C ++代码生成
使用MATLAB®Coder™生成C和c++代码。

使用说明和限制：

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预测块在统计和机器学习工具箱™库或MATLAB^®功能块预测函数。
当你通过使用fitrensemble，回归树的代码生成限制也适用于回归树的集合。有关详细信息，请参见代码生成的Compactregressiontree.班级。