主要内容
oobQuantileError
回归树袋外分位数损失
描述
输入参数
输出参数
例子
估计包外分位数回归误差
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。
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。
使用包外分位数回归误差找到合适的集合大小
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。
更多关于
提示
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。
参考文献
[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。
介绍了R2016b
你也可以从以下列表中选择一个网站:
