主要内容

quantileError

类:TreeBagger

使用回归树的袋的分位数损失

全部展开页面

语法

呃= quantileError (Mdl X)
呃= quantileError (Mdl X, ResponseVarName)
呃= quantileError (Mdl, X, Y)
呃= quantileError (＿＿＿、名称、值)

描述

例子

犯错= quantileError (Mdl，X）返回表中真实响应比较的平均绝对偏差(MAD)的一半X对应用回归树的包的预测中位数Mdl观测到的预测数据X．

  • Mdl必须是一个TreeBagger模型对象。

  • 中的响应变量名X必须与包含训练数据的表中的响应变量具有相同的名称。

例子

犯错= quantileError (Mdl，X，ResponseVarName）使用表中包含的真实响应和预测变量X．ResponseVarName响应变量的名称是and吗Mdl。PredictorNames包含预测变量的名称。

例子

犯错= quantileError (Mdl，X，Y）使用表或矩阵中的预测数据X向量中的响应数据Y．

例子

犯错= quantileError (＿＿＿，名称,值）使用任何前面的语法和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。

输入参数

全部展开

袋子的回归树，指定为TreeBagger模型对象由TreeBagger．的价值Mdl。方法必须回归．

用于估计分位数的样本数据，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。如果您指定Y，然后是输入的行数X必须等于Y．

  • 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(存储在Mdl。PredictorNames)．

    • 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。如果资源描述则包含异构预测变量(例如，数字和分类数据类型)quantileError抛出一个错误。

    • 指定Y得到真实的反应。

  • 一个表:

    • quantileError除了字符向量的单元金宝app格数组外，不支持多列变量或单元格数组。

    • 如果你训练Mdl使用表(例如，资源描述)，然后所有预测变量X必须具有与所训练的变量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、观测权值等)。

    • 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TreeBagger．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、观测权值等)。

    • 如果X包含响应变量:

      • 如果响应变量与所训练的响应变量同名Mdl，则无需提供响应变量名或真实响应向量。quantileError默认情况下，将该变量用于真实响应。

      • 您可以指定ResponseVarName或Y得到真实的反应。

数据类型:表格|双|单

响应变量名，指定为字符向量或字符串标量。ResponseVarName必须是样本数据表中响应变量的名称X．

如果表X包含响应变量，它与用于训练的响应变量具有相同的名称Mdl，则不必指定ResponseVarName．quantileError默认情况下，将该变量用于真实响应。

数据类型:字符|字符串

真响应，指定为数字向量。行数X必须等于Y．

数据类型:双|单

名称-值参数

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．

集合错误类型，指定为逗号分隔对，由“模式”和这个表中的值。假设τ的价值分位数．

价值 描述
“累积”

犯错是一个Mdl。NumTrees——- - - - - -元素个数(τ）累积分位数回归误差的数值矩阵。错(j，k）是τ（k）中使用学习者的分位数回归误差Mdl。Trees(1:j）只有。
“合奏”

犯错是1 -元素个数(τ）整个集成的累积分位数回归误差的数值向量。错(k）是τ（k）集成分位数回归错误。
“个人”

犯错是一个Mdl。NumTrees——- - - - - -元素个数(τ）来自个体学习者的分位数回归误差的数值矩阵。错(j，k）是τ（k）分位数回归误差使用的学习者Mdl。Trees(j）只有。

为“累积”和“个人”，如果在分位数估计中使用了更少的树树或UseInstanceForTree，然后是输入的行数犯错减少从Mdl。NumTrees．

例子:“模式”、“累积”

观察权值，指定为逗号分隔的对，由“重量”和一个长度等于的正数向量大小(X, 1)．quantileError使用权重在估计分位数回归误差时，计算偏差的加权平均。

默认情况下,quantileError属性的权重1对每个观测结果进行加权，得到偏差的未加权平均值。

分位数概率，指定为逗号分隔对分位数的和包含区间[0,1]值的数字向量。对于每个元素分位数，quantileError中的所有概率返回相应的分位数回归错误分位数．

例子:'分位数'，[0 0.25 0.5 0.75 1]

数据类型:单|双

在响应估计中使用的树的索引，指定为逗号分隔的对，包括“树”和“所有”或者一个正整数的数字向量。指数对应的单元格Mdl。Trees；其中的每个细胞都包含集合中的一棵树。的最大值树必须小于或等于集合中的树的数目(Mdl。NumTrees)．

为“所有”，quantileError使用集合中的所有树(即索引)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]

数据类型:字符|字符串|单|双

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）负的值。树的价值树．

如果您指定“模式”,“个人”,然后quantileError忽略了TreeWeights．

数据类型:单|双

指示符指定使用哪些树对每个观测进行预测，指定为逗号分隔的对，包括“UseInstanceForTree”和一个n——- - - - - -Mdl。Trees逻辑矩阵。n观察的数量(行)在吗X．行UseInstanceForTree对应于观察，对应于学习者Mdl。Trees．“所有”表示在估计分位数时使用所有观察值的所有树。

如果UseInstanceForTree (j，k）＝真正的,然后quantileError使用树Mdl。Trees(k）当它预测对观察的反应时X (j:)．

中的响应数据可以估计分位数Mdl。Y直接而不是使用来自随机森林的预测，指定一行完全由假值。例如，估计观察的分位数j使用响应数据，并使用来自随机森林的预测对所有其他观察，指定这个矩阵:

UseInstanceForTree = true(大小(Mdl.X, 2), Mdl.NumTrees);UseInstanceForTree (j:) = false (1, Mdl.NumTrees);

默认值以外的值可能会影响中的行数犯错．同时，它的价值树影响的值UseInstanceForTree．假设U的价值UseInstanceForTree．quantileError忽略U对应的树不被用于估计从规范树．也就是说,quantileError重置的值“UseInstanceForTree”来U (:,树）,在那里树的价值“树”．

数据类型:字符|字符串|逻辑

输出参数

全部展开

一半的分位数回归误差，作为数字标量或返回T——- - - - - -元素个数(τ）矩阵。τ的价值分位数．

T取决于值模式，树，UseInstanceForTree,分位数．假设你指定“树”,树使用默认值“UseInstanceForTree”．

  • 为“模式”、“累积”，犯错是一个元素个数(树）——- - - - - -元素个数(τ）数字矩阵。错(j，k）是τ（k）累积分位数回归误差使用的学习者Mdl。Trees(树(1:j））．

  • 为“模式”、“合奏”，犯错是一个1——- - - - - -元素个数(τ）数值向量。错(k）是τ（k）累积分位数回归误差使用的学习者Mdl。Trees(树）．

  • 为“模式”,“个人”，犯错是一个元素个数(树）——- - - - - -元素个数(τ）数字矩阵。错(j，k）是τ（k）分位数回归误差使用的学习者Mdl。Trees(树（j））．

例子

全部展开

打开生活的脚本

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。考虑气缸一个分类变量。

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个弱学习者。

rng (1);%的再现性Mdl = TreeBagger (100 X,“英里”，“方法”，“回归”）;

Mdl是一个TreeBagger合奏。

执行分位数回归，并使用预测的条件中值估计整个集合的MAD。

呃= quantileError (Mdl X)
呃= 1.2339

因为X是一个包含响应和相应变量名的表，您不必指定响应变量名或数据。但是，您可以使用此语法指定响应。

呃= quantileError (Mdl X,“英里”）
呃= 1.2339
打开生活的脚本

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);

随机将数据分成两组:75%的训练和25%的测试。提取子集索引。

rng (1);%的再现性本量利= cvpartition(大小(X, 1),“坚持”, 0.25);idxTrn =培训(cvp);idxTest =测试(cvp);

使用训练集训练一个袋装回归树集合。指定250个弱学习者。

Mdl = TreeBagger (250 X (idxTrn:)“英里”，“方法”，“回归”）;

估计测试集的累积0.25、0.5和0.75分位数回归误差。将预测器数据作为一个数字矩阵传递进来，将响应数据作为一个向量传递进来。

呃= quantileError (Mdl X {idxTest, 1:3},英里/加仑(idxTest),分位数的(0.25 0.5 0.75),．..“模式”，“累积”）;

犯错是累积分位数回归误差的250 × 3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。尽管如此,Mdl使用表进行训练，如果表中的所有预测变量都是数字，那么您可以提供一个预测数据矩阵。

在同一图上绘制累积分位数误差。

图;情节(错);传奇(“0.25分位数错误”，“0.5分位数错误”，“0.75分位数错误”）;ylabel (“分位数错误”）;包含(“树指数”）;标题(“累积分位数回归误差”）

图中包含一个轴对象。标题为“累计分位数回归错误”的轴对象包含3个类型为line的对象。这些对象表示0.25分位数错误，0.5分位数错误，0.75分位数错误。

在前两个四分之一阶段，使用大约60棵树就足够了，但第三个四分之一阶段需要大约150棵树。

更多关于

全部展开

提示

  • 为了调整集合中的树的数量，设置“模式”、“累积”并绘制关于树指数的分位数回归误差。所需要的树的最大数目是分位数回归错误趋于平稳的树索引。

  • 为了研究模型在训练样本较小时的性能，请使用oobQuantileError代替。

参考文献

[1] Breiman, L。随机森林。机器学习45,pp. 5-32, 2001。

[2] Meinshausen, N.“分位数回归森林”机器学习研究杂志，第7卷，2006年，第983-999页。

另请参阅

|||

介绍了R2016b

统计和机器学习工具箱文档

金宝app

掌握机器学习:一步一步的指导与MATLAB

掌握机器学习:一步一步的指导与MATLAB

下载电子书