班级:treebagger
使用袋装决策树的集合来预测响应
YFIT =预测(B,x)
YFIT =预测(B,X,名称,值)
[YFIT,STDEVS] =预测(___)
[YFIT,得分] =预测(___)
[YFIT,Scores,STDEVS] =预测(___)
YFIT =预测(B,x)
返回表或矩阵中的预测响应的向量的向量X
,基于袋装决策树的集合B.
。YFIT.
是用于分类的字符向量的单元格数组和用于回归的数字数组。默认,预测
从集合中的所有树木中汲取民主(非重量)平均投票。
B.
是训练有素的treebagger
模型对象,即返回的模型treebagger
。
X
是用于生成响应的预测数据的表或矩阵。行表示观察和列代表变量。
如果X
是一个数字矩阵:
构成列的变量X
必须具有与培训的预测变量相同的顺序B.
。
如果你训练有素B.
使用表格(例如,TBL.
), 然后X
可以是一个数字矩阵TBL.
包含所有数字预测变量。治疗数字预测器TBL.
作为培训期间的分类,使用该识别分类预测因子分类预测器
名称 - 值对参数treebagger
。如果TBL.
包含异构的预测变量(例如,数字和分类数据类型)和X
是一个数字矩阵,然后预测
抛出错误。
如果X
是一个表:
预测
不支持字符向量的单金宝app元格阵列以外的多列变量和单元格阵列。
如果你训练有素B.
使用表格(例如,TBL.
),然后所有预测器变量都在X
必须具有相同的变量名称,并且与培训的数据类型相同B.
(存储在B.Predictornames.
)。但是,列顺序X
不需要对应于列顺序TBL.
。TBL.
和X
可以包含其他变量(响应变量,观察权重等),但是预测
忽略它们。
如果你训练有素B.
使用数字矩阵,然后是预测器名称B.Predictornames.
和相应的预测变量名称X
必须是一样的。要在培训期间指定预测器名称,请参阅预测
名称 - 值对参数treebagger
。所有预测因子变量X
必须是数字向量。X
可以包含其他变量(响应变量,观察权重等),但是预测
忽略它们。
YFIT =预测(B,X,
使用一个或多个名称 - 值对参数指定其他选项:名称,价值
)
'树木'
- 用于计算响应的树索引数组。默认为'全部'
。
'treeweights'
- 阵列ntrees.
从指定的树木加权投票的重量,在哪里ntrees.
是集合中的树木数量。
'umermstancefortree'
- 逻辑矩阵大小谈判
-经过-ntrees.
指示用于对每个观察进行预测的树木,在哪里谈判
是观察人数。默认情况下,所有树都用于所有观察。
回归,[YFIT,STDEVS] =预测(___)
还使用先前语法中的任何输入参数组合返回计算响应的标准偏差。
分类,[YFIT,得分] =预测(___)
也返回所有类的分数。得分
是每个观察一行的矩阵,每类一列。对于每个观察和每个类,每个树产生的分数是源自类的观察的概率,计算为树叶中的类的观察分数。预测
平均在合奏中的所有树木上的分数。
[YFIT,Scores,STDEVS] =预测(___)
还返回计算分数的标准偏差进行分类。STDEVS.
是一个矩阵,每个观察一行和每级列一列,标准偏差在成长的树木的集合中取出。
对于回归问题,对观察的预测响应是仅使用所选树的预测的加权平均值。那是,
是树的预测T.在合奏中。
S.是包含预测的所选树的一组指数(见'
树木
'
和'
umermstancefortree.
'
)。
1如果是1T.在集合中S.和0否则。
α.T.是树的重量T.(看'
we
'
)。
对于分类问题,观察的预测类是产生仅使用所选树计算的类后验概率(即,分类得分)的最大加权平均值的类。那是,