RegressionBaggedEnsemble

包:classreg.learning.regr
超类:RegressionEnsemble

通过重新采样得到回归集合

展开全部页面

描述

RegressionBaggedEnsemble结合一组训练过的弱学习器模型和这些学习器训练过的数据。它可以通过聚合来自弱学习器的预测来预测新数据的集成响应。

建设

使用创建袋装回归集成对象fitrensemble．设置名称-值对参数“方法”的fitrensemble来“包”使用引导聚合(例如，随机森林)。

属性

`BinEdges`	的单元格数组指定的数值预测器的Bin边p数字向量，其中p是预测因子的数量。每个向量都包含数值预测器的bin边。类别预测器的单元格数组中的元素为空，因为软件不收纳类别预测器。类型时，软件才会对数值预测器进行分类`“NumBins”`在使用树学习器训练模型时，名称-值参数作为正整数标量。的`BinEdges`属性为空`“NumBins”`值为空(默认值)。您可以重新生成已归档的预测器数据`Xbinned`通过使用`BinEdges`训练模型的属性`mdl`． X = mdl.X;%预测数据Xbinned = 0(大小(X));edges = mdl.BinEdges;查找已分类预测符的索引。idxNumeric = find(~cellfun(@isempty,edges));if iscolumn(idxNumeric) idxNumeric = idxNumeric';end for j = idxNumeric x = x (:，j);如果x是一个表，则将x转换为数组。If stable(x) x = table2array(x);将x分组到箱子中`离散化`函数。Xbinned =离散化(x，[-inf;边缘{};正]);Xbinned(:，j) = Xbinned;结束 `Xbinned`包含数值预测器的容器索引，范围从1到容器数。`Xbinned`类别预测器的值为0。如果`X`包含`南`S，然后是对应的`Xbinned`值是`南`年代。
`CategoricalPredictors`	分类预测指标，指定为正整数向量。`CategoricalPredictors`包含指示相应预测符是分类的索引值。索引值在1和之间`p`,在那里`p`用于训练模型的预测器的数量。如果没有一个预测符是分类的，则此属性为空(`［］`）.
`CombineWeights`	描述集合如何结合学习者预测的字符向量。
`ExpandedPredictorNames`	扩展的预测器名称，存储为字符向量的单元格数组。如果模型对分类变量使用编码，则`ExpandedPredictorNames`包括描述展开变量的名称。否则,`ExpandedPredictorNames`和`PredictorNames`．
`FitInfo`	拟合信息的数字数组。的`FitInfoDescription`属性描述此数组的内容。
`FitInfoDescription`	字符向量描述的含义`FitInfo`数组中。
`FResample`	数值标量`0`而且`1`．`FResample`训练数据的分数是多少`fitrensemble`在构建集成时，对每个弱学习器进行随机重采样。
`HyperparameterOptimizationResults`	超参数的交叉验证优化的描述，存储为`BayesianOptimization`对象或超参数及相关值的表。当`OptimizeHyperparameters`名称-值对在创建时是非空的。属性的设置`HyperparameterOptimizationOptions`创建时的名称-值对: `“bayesopt”`(默认)-类的对象`BayesianOptimization` `“gridsearch”`或`“randomsearch”`-使用的超参数表，观察到的目标函数值(交叉验证损失)，以及从最低(最好)到最高(最差)的观察值排序
`LearnerNames`	集合中包含弱学习器名称的字符向量的单元数组。每个学习者的名称只出现一次。例如，如果你有100棵树的集合，`LearnerNames`是`{'树'}`．
`方法`	带有算法名称的字符向量`fitrensemble`用于训练整个乐团。
`ModelParameters`	训练参数`实体`．
`NumObservations`	包含训练数据中观察数的数字标量。
`NumTrained`	集合中受过训练的学习者的数量，一个正标量。
`PredictorNames`	预测变量名称的单元格数组，按它们出现的顺序排列`X`．
`ReasonForTermination`	描述原因的字符向量`fitrensemble`停止向集合中添加弱学习器。
`正则化`	方法的结果的结构`规范`方法。使用`正则化`与`缩小`降低复代误差，缩小集合。
`取代`	布尔标志，表示该集合中弱学习器的训练数据是否经过替换采样。`取代`是`真正的`对于替换抽样，`假`否则。
`ResponseName`	具有响应变量名称的字符向量`Y`．
`ResponseTransform`	转换分数的函数句柄，或表示内置转换函数的字符向量。`“没有”`表示没有变换;同样,`“没有”`意味着`@ x (x)`．添加或更改`ResponseTransform`函数使用点表示法: ens.ResponseTransform = @函数
`训练有素的`	训练有素的学习者，一个单元阵列的紧凑回归模型。
`TrainedWeights`	集合分配给它的学习器的权重的数字向量。集成通过聚合来自其学习者的加权预测来计算预测的响应。
`UseObsForLearner`	大小的逻辑矩阵`N`——- - - - - -`NumTrained`,在那里`N`训练数据中的行数(观测值)是多少`X`,`NumTrained`是受过训练的弱学习者的数量。`UseObsForLearner (I, J)`是`真正的`如果观察`我`是用来训练学习者的`J`，并且是`假`否则。
`W`	的比例`权重`，一个有长度的向量`n`的行数`X`．的元素之和`W`是`1`．
`X`	训练集合的预测值的矩阵或表。的每一列`X`表示一个变量，每一行表示一个观察结果。
`Y`	具有相同行数的数值列向量`X`这训练了整个乐团。每一项`Y`的对应行中的数据是否响应`X`．

对象的功能

`紧凑的`	创建紧凑的回归集成
`crossval`	交叉验证集成
`cvshrink`	交叉验证收缩(修剪)集成
`收集`	收集属性统计和机器学习工具箱来自GPU的对象
`石灰`	局部可解释模型不可知解释(LIME)
`损失`	回归误差
`oobLoss`	袋外回归误差
`oobPermutedPredictorImportance`	通过对随机森林的回归树的袋外预测器观测的排列估计预测器重要性
`oobPredict`	预测整体的袋外反应
`partialDependence`	计算部分依赖关系
`plotPartialDependence`	创建部分依赖图(PDP)和个别条件期望图(ICE)
`预测`	使用回归模型集成预测响应
`predictorImportance`	回归集合预测因子重要性的估计
`规范`	找到最小重替换误差和惩罚项的权重
`removeLearners`	删除紧凑回归集成的成员
`resubLoss`	回归误差的再替换
`resubPredict`	用置换法预测系统的响应
`重新开始`	简历培训套装
`沙普利`	沙普利值
`缩小`	修剪合奏

复制语义

价值。要了解值类如何影响复制操作，请参见复制对象．

例子

全部折叠

训练回归树的袋装集合

打开实时脚本

加载carsmall数据集。考虑一个解释汽车燃油经济性的模型(英里/加仑)利用其重量(重量)及气缸数目(气缸）.

负载carsmallX =[重量钢瓶];Y = mpg;

使用所有测量值训练100个回归树的集合。

Mdl = fitrensemble(X,Y，“方法”，“包”）

Mdl = RegressionBaggedEnsemble ResponseName: 'Y' CategoricalPredictors: [] ResponseTransform: 'none' NumObservations: 94 NumTrained: 100 Method: 'Bag' LearnerNames: {'Tree'} reasonforterminate: '完成所要求的训练周期数后正常终止。'FitInfo: [] FitInfoDescription: 'None'正则化:[]FResample: 1替换:1 UseObsForLearner: [94x100 logical]属性，方法

Mdl是一个RegressionBaggedEnsemble模型对象。

Mdl。训练有素的属性，用于存储经过训练的紧凑回归树的100 × 1单元格向量(CompactRegressionTree模型对象)组成集成。

绘制第一个训练的回归树的图。

视图(Mdl。训练有素的{1},“模式”，“图”）

默认情况下,fitrensemble长到很深的树里。

估计样本内均方误差(MSE)。

L = resubLoss(Mdl)

L = 12.4048

提示

对于一个袋装的回归树集合，训练有素的的属性实体存储的单元格向量ens.NumTrainedCompactRegressionTree模型对象。用于树的文本或图形显示t在单元格向量中，输入

视图(实体。训练有素的{t}）

扩展功能

C/ c++代码生成
使用MATLAB®Coder™生成C和c++代码。

使用注意事项和限制:

的预测函数支持代码生成。金宝app
将集成的预测集成到Simulink中金宝app^®，你可以使用RegressionEnsemble预测块的统计和机器学习工具箱™库或MATLAB^®函数块。预测函数。
当你用fitrensemble，回归树的代码生成限制也适用于回归树的集合。详情请参见代码生成的CompactRegressionTree类。