预测

使用回归树预测响应

全部展开页面

语法

X Yfit =预测(Mdl)

Yfit =预测(Mdl X、名称、值)

(Yfit、节点)=预测(＿＿＿）

描述

Yfit=预测(Mdl，X）返回表或矩阵中预测器数据的预测响应向量X，基于完整或紧凑回归树Mdl．

Yfit=预测(Mdl，X，名称,值）使用一个或多个指定的附加选项预测响应值名称,值对参数。例如，你可以指定去修剪Mdl在预测反应之前达到一个特定的水平。

［Yfit，节点) =预测(＿＿＿）还使用前面语法中的任何输入参数，返回响应的预测节点数向量。

输入参数

全部展开

`Mdl`- - - - - -训练有素的回归树
`RegressionTree`模型对象|`CompactRegressionTree`模型对象

训练过的分类树，指定为RegressionTree或CompactRegressionTree模型对象。也就是说,Mdl是否返回训练过的分类模型fitrtree或紧凑的．

`X`- - - - - -预测数据分类
数字矩阵|表格

要分类的预测器数据，指定为数字矩阵或表。

每一行的X对应一个观察值，每一列对应一个变量。

对于数值矩阵:
- 组成列的变量X必须和训练的预测变量有相同的顺序吗Mdl．
- 如果你训练Mdl使用表(例如，资源描述),然后X可以是一个数字矩阵，如果资源描述包含所有数值预测变量。处理数值预测资源描述作为分类训练，识别分类预测使用CategoricalPredictors的名称-值对参数fitrtree．如果资源描述包含异构预测变量(例如，数字和分类数据类型)和X是一个数值矩阵，那么预测抛出一个错误。
一个表:
- 预测除了字符向量的单元金宝app格数组外，不支持多列变量和单元格数组。
- 如果你训练Mdl使用表(例如，资源描述)，然后所有预测变量X必须具有与那些训练过的相同的变量名和数据类型Mdl(存储在Mdl。PredictorNames）.但是，的列顺序X不需要对应的列顺序资源描述．资源描述和X可以包含额外的变量(响应变量，观察权重等)，但是预测忽略了它们。
- 如果你训练Mdl使用一个数字矩阵，然后预测器命名Mdl。PredictorNames和相应的预测变量名X肯定是一样的。要在训练期间指定预测器名称，请参见PredictorNames的名称-值对参数fitrtree．所有的预测变量X必须是数值向量。X可以包含额外的变量(响应变量，观察权重等)，但是预测忽略了它们。

数据类型:表格|双|单

名称-值对的观点

指定可选的逗号分隔的对名称,值参数。的名字参数名和价值为对应值。的名字必须出现在引号内。可以以任意顺序指定多个名称和值对参数Name1, Value1,…,的家．

`“子树”`- - - - - -修剪水平
0(默认)|非负整数的向量|`“所有”`

修剪级别，指定为逗号分隔的对，由“子树”一个非负整数的升序或向量“所有”．

如果指定一个向量，则所有元素必须至少为0在大多数马克斯(Mdl.PruneList)．0表示完整的、未修剪的树马克斯(Mdl.PruneList)表示被完全修剪的树(即根节点)。

如果您指定“所有”,然后预测操作所有的子树(即，整个修剪序列)。这个规范等同于使用0:马克斯(Mdl.PruneList)．

预测李子Mdl的每一层子树，然后估计相应的输出参数。的大小子树确定某些输出参数的大小。

调用子树,属性PruneList和PruneAlpha的Mdl必须非空的。换句话说，就是成长Mdl通过设置“删除”,“上”，或修剪Mdl使用修剪．

例子:“子树”,“所有”

数据类型:单|双|字符|字符串

输出参数

全部展开

`Yfit`-预测响应值
数字列向量

预测的响应值，作为具有相同行数的数字列向量返回X．每一行的Yfit的对应行给出预测的响应X，基于Mdl．

`节点`——节点数量
数值向量

预测的节点号，指定为数字向量。每个条目对应于中的预测叶节点Mdl对应的行X．

例子

全部展开

使用回归树预测响应

打开生活的脚本

加载carsmall数据集。考虑位移，马力,重量作为反应的预测器英里/加仑．

负载carsmallX =[排量马力重量];

使用整个数据集生长回归树。

Mdl = fitrtree (X, MPG);

预测一辆拥有200立方英寸排量、150马力、3000磅重量的汽车的MPG。

X0 = [200 150 3000];X0 MPG0 =预测(Mdl)

MPG0 = 21.9375

回归树预测汽车的效率为21.94英里/加仑。

扩展功能

高大的数组
使用具有大于内存容量的行数的数组进行计算。

这个函数完全支持高数组。金宝app使用这个函数，您可以使用在内存中或高数据上训练的模型。

有关更多信息，请参见高大的数组．

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:

您可以为两者生成C/ c++代码预测和更新通过使用编码器配置器。或者，只生成代码预测通过使用saveLearnerForCoder，loadLearnerForCoder,codegen．
- 代码生成的预测和更新创建一个编码器配置器learnerCoderConfigurer然后通过使用generateCode．然后，您可以在生成的代码中更新模型参数，而不必重新生成代码。
- 代码生成的预测通过使用保存一个训练过的模型saveLearnerForCoder．定义一个入口点函数，通过使用loadLearnerForCoder并调用预测函数。然后使用codegen(MATLAB编码器)为入口点函数生成代码。

您还可以生成单精度C/ c++代码预测．对于单精度代码生成，指定名称-值对参数“数据类型”、“单”作为附加的输入loadLearnerForCoder函数。
您也可以生成固定的C/ c++代码预测．定点代码生成需要一个额外的步骤，定义预测所需变量的定点数据类型。属性创建定点数据类型结构数据类型的函数生成的generateLearnerDataTypeFcn，并将该结构用作的输入参数loadLearnerForCoder在入口点函数中。生成定点C/ c++代码需要MATLAB^®编码器™和定点设计师™。

这个表格包含关于的参数的注释预测．表中未包含的参数完全支持。金宝app

论点	笔记和局限性
`Mdl`	有关模型对象的使用说明和限制，请参见代码生成的`CompactRegressionTree`对象。
`X`	对于通用代码生成，`X`必须是一个单精度或双精度矩阵或一个包含`单`或`双`预测变量。如果你想指定`X`作为一个表，那么你的模型必须使用一个表训练，你必须确保你的入口点函数的预测: 接受数据为数组根据数据输入参数创建表，并指定表中的变量名把桌子传递给`预测` 有关此表格工作流的示例，请参见生成代码对表中的数字数据进行分类．有关在代码生成中使用表的更多信息，请参见表的代码生成(MATLAB编码器)和代码生成的表限制(MATLAB编码器)．在编码器配置器工作流中，`X`必须是一个`单`或`双`矩阵。对于定点代码生成，`X`一定是一个不动点矩阵。中的行数或观察值`X`可以是一个可变的大小，但是`X`必须是固定的。
`子树`	名称-值对参数中的名称必须是编译时常量。例如，要在生成的代码中允许用户定义的修剪级别，包括`{coder.Constant(子树),coder.typeof (0, (1, n), [0,1])}`在`arg游戏`的价值`codegen`(MATLAB编码器),在那里`n`是`马克斯(Mdl.PruneList)`．的`“子树”`在编码器配置程序工作流中不支持名称-值对参数。金宝app 对于定点代码生成，`“子树”`值必须是`coder.Constant(所有的)`或具有整数数据类型。