文档帮助中心
类:TreeBagger
回归树袋外分位数损失
呃= quantileError (Mdl)
err=quantileError(Mdl、名称、值)
例子
犯错=量化误差(Mdl)返回一半的现成的中比较真实响应的平均绝对偏差(MAD)Mdl.Y到预测的,超出预期的中位数Mdl.X,预测数据,并使用回归树包Mdl.Mdl必须是一个TreeBagger模型对象。
犯错=量化误差(Mdl)
犯错
Mdl
Mdl.Y
Mdl.X
TreeBagger
犯错=量化误差(Mdl,名称,值)使用一个或多个指定的附加选项名称,值对参数。例如,指定分位数概率、错误类型,或者在分位数回归错误估计中包括哪些树。
犯错=量化误差(Mdl,名称,值)
名称,值
全部展开
回归树包,指定为TreeBagger由创建的模型对象TreeBagger.
的价值Mdl。方法必须回归.
Mdl。方法
回归
当你训练Mdl使用TreeBagger,则必须指定名称-值对“OOBPrediction”,“上”因此TreeBagger保存所需的袋外观察指标矩阵Mdl。OOBIndices.
“OOBPrediction”,“上”
Mdl。OOBIndices
指定可选的逗号分隔的对名称,值论据。名称参数名和价值为对应值。名称必须出现在引号内。可以以任意顺序指定多个名称和值对参数名称1,值1,…,名称,值.
名称
价值
名称1,值1,…,名称,值
“模式”
“合奏”
“累积”
“个人”
集合错误类型,指定为逗号分隔对,由“模式”和表中的一个值。假设头的价值分位数.
头
分位数
犯错是一个千里光-借-元素个数(头)累积分位数回归误差的数值矩阵。错误(j,k)是头(k)分位数回归误差使用的学习者在Mdl.树(1:j)只有。
千里光
元素个数(头)
错误(j,k)
j
k
头(k)
Mdl.树(1:j)
犯错是1 -元素个数(头)整个集合的累积分位数回归误差的数值向量。错误(k)是头(k)集成分位数回归错误。
错误(k)
犯错是一个千里光-借-元素个数(头)个体学习者分位数回归误差的数值矩阵。错误(j,k)是头(k)分位数回归误差使用学习者Mdl.树(j)只有。
Mdl.树(j)
为“累积”和“个人”,如果选择在分位数估计中使用较少的树树,则此操作将影响进入的行数犯错以及相应的行索引。
树
例子:“模式”、“累积”
“模式”、“累积”
分位数的
0.5
分位数概率,指定为逗号分隔对分位数的以及一个数值向量,其中包含[0,1]区间内的值。对于中的每个观察值(行)Mdl.X,oobQuantileError中所有概率的对应分位数估计分位数.
oobQuantileError
例子:'分位数',[0 0.25 0.5 0.75 1]
'分位数',[0 0.25 0.5 0.75 1]
数据类型:仅有一个的|双重的
仅有一个的
双重的
“树”
“所有”
用于响应估计的树索引,指定为逗号分隔对,由“树”和“所有”或正整数的数字向量。索引对应于Mdl.树; 其中的每个单元包含集合中的一棵树。最大值树必须小于或等于集合中的树数(千里光).
Mdl.树
为“所有”,oobQuantileError使用集合中的所有树(即索引1: Mdl。NumTrees).
1: Mdl。NumTrees
默认值以外的值可能会影响中的行数犯错.
例子:“树”,[1 10 Mdl。NumTrees]
“树”,[1 10 Mdl。NumTrees]
数据类型:烧焦|一串|仅有一个的|双重的
烧焦
一串
“TreeWeights”
的(Mdl.NumTrees, 1)
来自各个树的响应的权重,指定为逗号分隔的对,由“TreeWeights”和一个数值向量元素个数(树)非负值。树的价值树.
元素个数(树)
如果您指定“模式”,“个人”,然后oobQuantileError忽略了TreeWeights.
“模式”,“个人”
TreeWeights
袋子里的一半分位数回归误差,作为数字标量或返回T-借-元素个数(头)矩阵头的价值分位数.
T
T取决于模式,树,分位数.假设你指定分位数,头和“树”,树.
模式
分位数,头
“树”,树
为“模式”、“累积”,犯错是一个元素个数(树)-借-元素个数(头)数字矩阵。错误(j,k)是头(k)使用中的学习者的累积、出袋分位数回归误差Mdl.树(树(1:j)).
Mdl.树(树(1:j))
为“模式”、“合奏”,犯错是一个1-借-元素个数(头)数值向量。错误(k)是头(k)使用中的学习者的累积、出袋分位数回归误差Mdl.树(树).
“模式”、“合奏”
1
Mdl.树(树)
为“模式”,“个人”,犯错是一个元素个数(树)-借-元素个数(头)数字矩阵。错误(j,k)是头(k)out- bag分位数回归误差Mdl.树(树(j)).
Mdl.树(树(j))
加载carsmall考虑发动机的排量、重量和气缸数量,考虑一个预测汽车燃油经济性的模型。圆筒分类变量。
carsmall
圆筒
负载carsmall气缸=分类(缸);X =表(位移、重量、汽缸、MPG);
使用整个数据集训练一组袋装回归树。指定100名弱学习者并保存袋外索引。
rng (1);%为了再现性Mdl=TreeBagger(100,X,“英里”,“方法”,“回归”,“OOB预测”,“上”);
Mdl是一个TreeBagger合奏。
执行分位数回归,并使用预测的条件中位数估计整个集合的MAD。
oobErr = oobQuantileError (Mdl)
oobErr=1.5349
oobErr是整个集合分位数回归误差的无偏估计。
oobErr
加载carsmall数据集。考虑一个模型,该模型可以预测给定发动机排量、重量和汽缸数量的汽车的燃油经济性。
负载carsmallX =表(位移、重量、汽缸、MPG);
使用整个数据集训练套袋回归树的集合。指定250个弱学习者并保存带外索引。
rng (“默认”);%为了再现性Mdl=TreeBagger(250,X,“英里”,“方法”,“回归”,...“OOB预测”,“上”);
估计累积的、现成的、0.25、0.5和0.75分位数回归误差。
err=oobQuantileError(Mdl,分位数的(0.25 0.5 0.75),“模式”,“累积”);
犯错是一个250 × 3的累积,包外,分位数回归错误矩阵。列对应分位数概率,行对应集合中的树。这些错误是累积的,所以它们合并了以前树的聚合预测。
在同一图上绘制累积的、包外的分位数错误。
图;情节(错);传奇(“0.25分位数错误”,“0.5分位数误差”,“0.75分位数错误”); 伊拉贝尔(“Out-of-bag分位数错误”);包含(“树指数”);标题('累计、出袋、分位数回归误差')
训练大约50棵树后,所有分位数误差曲线都趋于平稳。因此,训练50棵树似乎足以实现三个分位数概率的最小分位数误差。
在袋装集合中,观测值是现成的当它们被排除在特定学习者的训练样本之外时。观察是袋装当它们被用来训练特定的学习者时。
当将学习者套袋时,实践者需要一个大小不同的自举样本(即带有替换的随机样本)n然后使用各自的引导样本对学员进行培训。绘图n的n替换观察平均忽略了每个学员37%的观察结果。
袋外系综误差,即仅使用袋外观测值估计的系综误差,是真实系综误差的无偏估计量。
的分位数回归误差给定观测预测数据和响应的模型的加权平均绝对偏差(MAD)。如果模型低估了响应,则偏差权重为τ,分位数概率。如果模型预测过度,则偏差权重为1 -τ.
也就是说,τ分位数回归误差为
l τ = τ ∑ { j : y j ≥ y ^ τ , j } w j ( y j − y ^ τ , j ) ∑ j = 1 n w j + ( 1 − τ ) ∑ { j : y j < y ^ τ , j } w j ( y ^ τ , j − y j ) ∑ j = 1 n w j .
yj这是真实的反应j, y ^ τ , j 是τ模型预测的分位数wj是观察重量吗j.
包外集成误差估计器对于真集成误差是无偏的。因此,为了调整随机森林的参数,估计包外集成误差,而不是实现交叉验证。
[1] Breiman, L。随机森林。机器学习45,pp. 5-32, 2001。
[2] 分位数回归森林机器学习研究杂志,第7卷,2006年,第983-999页。
错误|oobQuantilePredict|quantileError|TreeBagger
错误
oobQuantilePredict
quantileError
您的系统上存在此示例的修改版本。是否改为打开此版本?
你点击一个链接对应于这个MATLAB命令:
通过在MATLAB命令窗口中输入命令来运行该命令。Web浏览器不支持MATLAB命令。金宝app
选择一个网站以获取可用的翻译内容,并查看本地活动和优惠。根据您的位置,我们建议您选择:.
你也可以从以下列表中选择一个网站:
选择中国网站(中文或英文)以获得最佳网站性能。其他MathWorks国家站点没有针对您所在位置的访问进行优化。
联系当地办事处