火车回归合奏

这个例子展示了如何创建一个回归集合来预测汽车的里程基于他们的马力和重量，训练在carsmall数据。

加载carsmall数据集。

负载carsmall

准备预测数据。

X =[马力重量];

响应数据为英里/加仑．唯一可用的增强回归集成类型是LSBoost．对于本例，可以任意选择100棵树的集合，并使用默认的树选项。

训练回归树的集合。

Mdl = fitrensemble (X,英里/加仑,“方法”，“LSBoost”，“NumLearningCycles”, 100)

Mdl = RegressionEnsemble ResponseName: 'Y' CategoricalPredictors: [] 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

绘制集合中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”)；

默认情况下,fitrensemble为LSBoost种植浅树。

预测一辆150马力重2750磅的汽车的里程。

里程=预测(Mdl，[150 2750])

里程= 23.6713

另请参阅

fitrensemble|预测

相关的话题

• 火车分类合奏
• 选择随机森林的预测器
• 决策树
• 整体算法
• 集成学习框架