班级:TreeBagger
使用袋子回归树预测响应量子
quantilePredict
每次调用它时都会使用培训数据估算响应的条件分布。要有效地预测许多定量,或者有效地定量许多观察结果,您应该通过X
作为观察的矩阵或表格,并使用载体中的所有定量使用分位数
名称-值对的论点。也就是说,避免呼唤quantilePredict
在一个循环。
TreeBagger
使用训练数据增长回归树的随机森林。然后,实施斯蒂利随机森林,quantilePredict
使用响应的经验条件分布预测定量,给出了预测变量的观察。获得响应的经验条件分布:
这个过程描述了quantilePredict
使用所有指定的权重。
所有训练观察j= 1,......,n和所有选中的树t= 1,......,T,
quantilePredict
产品属性vTJ.=bTJ.wj,Obs.训练观察j(存储在mdl.x.(
和j
:)mdl.y.(
).bTJ.是观察的次数j是否在树的引导样本中t.wj,Obs.观察权重在吗j
)mdl.w.(
.j
)
对于每个选择的树,quantilePredict
识别每个训练观察落下的叶子。让年代t(xj)是包含在树叶子中的所有观察值的集合t的观察j是会员。
对于每个选择的树,quantilePredict
将特定叶片内的所有重量标准化为1,即
对于每个训练观察和树,quantilePredict
包含树权重(wt,树)指定的TreeWeights
, 那是,w*TJ.,树=wt,树vTJ.*未被选择用于预测的树的权重为0。
所有测试观察k= 1,......,K在X
和所有选中的树t= 1,......,TquantilePredict
预测观察结果下降的独特叶子,然后识别预测叶片内的所有培训观察。quantilePredict
属于重量uTJ.这样
quantilePredict
将重量汇总所有所选树木,即,
quantilePredict
通过归一化权重创建响应权重,使得它们总和为1,即,
[1] Breiman,L。“随机森林。”机器学习45,pp。5-32,2001。
[2] Meinshausen,N。“斯蒂利回归森林。”机器学习研究杂志,第7卷,2006年,第983-999页。