主要内容

resubLoss

再置换回归损失

折叠所有页面

    语法

    L = resubLoss(Mdl)
    L = resubLoss(Mdl,Name,Value)

    描述

    例子

    l= resubLoss (Mdl）通过再替换(L)返回回归损失，或样本内回归损失，用于训练的回归模型Mdl使用存储在Mdl。X并将相应的响应存储在Mdl。Y．

    的解释l取决于损失函数(“LossFun”)及加权方案(Mdl。W)．一般来说，更好的模型产生更小的损失值。默认的“LossFun”值是mse的(均方误差)。

    例子

    l= resubLoss (Mdl，名称,值）使用一个或多个名称-值参数指定其他选项。例如,“IncludeInteractions”,假的指定从广义可加性模型中排除交互项Mdl．

    例子

    全部折叠

    打开实时脚本

    训练一个广义可加性模型(GAM)，然后利用均方误差(MSE)计算再替代损失。

    加载病人数据集。

    负载病人

    创建一个包含预测变量的表(年龄，舒张压，吸烟者，重量，性别，SelfAssessedHealthStatus)和响应变量(收缩压)．

    tbl = table(年龄，舒张，吸烟，体重，性别，自我评估健康状况，收缩压);

    训练一个单变量GAM，其中包含预测器的线性项资源描述．

    Mdl = fitrgam(tbl，“收缩”）
    Mdl = RegressionGAM PredictorNames: {1x6 cell} ResponseName: '收缩期'分类预测器:[3 5 6]ResponseTransform: 'none'拦截:122.7800 IsStandardDeviationFit: 0 NumObservations: 100属性，方法

    Mdl是一个RegressionGAM模型对象。

    利用均方误差(MSE)计算再置换损失。

    L = resubLoss(Mdl)
    L = 4.1957
    打开实时脚本

    加载样例数据并存储在表格．

    负载fisheriris台=表(量(:1),量(:,2),(:,3),(4):,,,.．.“VariableNames”, {“meas1”，“meas2”，“meas3”，“meas4”，“物种”})；

    用第一个测量值作为响应，其他变量作为预测因子，拟合探地雷达模型。

    MDL = fitrgp(tbl，“meas1”);

    使用训练过的模型预测响应。

    Ypred = predict(mdl,tbl);

    计算平均绝对误差。

    N = height(tbl);Y = tbl.meas1;Fun = @(y,ypred,w) sum(abs(y-ypred))/n;L = resubLoss(mdl，“lossfun”有趣的)
    L = 0.2345
    打开实时脚本

    训练一个广义加法模型(GAM)，它包含预测因子的线性项和交互项，并估计训练数据和测试数据有和没有交互项的回归损失(均方误差，MSE)。指定在估计回归损失时是否包括相互作用项。

    加载carbig数据集，其中包含20世纪70年代和80年代初生产的汽车的测量数据。

    负载carbig

    指定加速度，位移，马力,重量作为预测变量(X),英里/加仑作为响应变量(Y)．

    X =[加速度，排水量，马力，重量];Y = mpg;

    将数据集划分为两个集:一个包含训练数据，另一个包含新的、未观察到的测试数据。为新的测试数据集保留10个观测值。

    rng (“默认”）%用于再现性n = size(X,1);newInds = randsample(n,10);inds = ~ismember(1:n,newInds);XNew = X(newInds，:);YNew = Y(newInds);

    训练一个包含所有可用的线性和交互项的广义可加性模型X．

    Mdl = fitrgam(X(inds，:)，Y(inds)，“互动”，“所有”);

    Mdl是一个RegressionGAM模型对象。

    计算有和没有相互作用项的再置换mse(即样本内mse)Mdl．要排除交互术语，请指定“IncludeInteractions”,假的．

    resubl = resubLoss(Mdl)
    Resubl = 0.0292
    resubl_nointeraction = resubLoss(Mdl，“IncludeInteractions”假)
    resubbl_nointeraction = 4.7330

    对测试数据集计算有或没有交互项的回归mse。使用内存效率高的模型对象进行计算。

    CMdl =紧凑(Mdl);

    CMdl是一个CompactRegressionGAM模型对象。

    l = loss(CMdl,XNew,YNew)
    L = 12.8604
    l_nointeraction = loss(CMdl,XNew,YNew，“IncludeInteractions”假)
    L_nointeraction = 15.6741

    包含交互项可以使训练数据集和测试数据集的误差更小。

    输入参数

    全部折叠

    回归机器学习模型，指定为完整的回归模型对象，如下表所示的支持模型。金宝app

    模型 回归模型对象
    高斯过程回归模型 RegressionGP
    广义加法模型(GAM) RegressionGAM
    神经网络模型 RegressionNeuralNetwork

    名称-值参数

    指定可选参数对为Name1 = Value1,…,以=家,在那里的名字参数名称和价值对应的值。名称-值参数必须出现在其他参数之后，但对的顺序无关紧要。

    在R2021a之前，使用逗号分隔每个名称和值，并将其括起来的名字在报价。

    例子:resubLoss (Mdl IncludeInteractions,假)从广义相加模型中排除交互项Mdl．

    标志，以包括模型的交互术语，指定为真正的或假．这个论证只对广义加法模型有效。也就是说，您只能在以下情况下指定此参数Mdl是RegressionGAM．

    默认值为真正的如果Mdl包含交互术语。取值必须为假如果模型不包含交互项。

    例子:“IncludeInteractions”,假的

    数据类型:逻辑

    损失函数，指定为mse的或者一个函数句柄。

    • mse的-加权均方误差。

    • 函数句柄——要指定自定义损失函数，请使用函数句柄。函数必须是这样的形式:

      lossval =lossfun(Y, YFit W)

      • 输出参数lossval是浮点标量。

      • 您可以指定函数名(lossfun)．

      • Y是一个长度n所观察到的响应的数字向量，其中n观察的数量在吗资源描述或X．

      • YFit是一个长度n对应预测响应的数字向量。

      • W是一个n-by-1观测权重的数值向量。

    例子:“LossFun”@lossfun

    数据类型:字符|字符串|function_handle

    更多关于

    全部折叠

    加权均方误差

    加权均方误差衡量回归模型的预测不准确性。当你在多个模型中比较相同类型的损失时，误差越低表明预测模型越好。

    加权均方误差计算如下:

    均方误差 ＝ ∑ j ＝ 1 n w j （ f （ x j ） − y j ） 2 ∑ j ＝ 1 n w j ，

    地点:

    • n是数据的行数。

    • xj是j第Th行数据。

    • yj是真实的回应吗xj．

    • f（xj）是模型的响应预测吗Mdl来xj．

    • w是观测权重的向量。

    算法

    resubLoss计算相应的回归损失损失对象的函数(Mdl)．有关特定于模型的描述，请参见损失下表中的函数参考页。

    模型 回归模型对象(Mdl） 损失目标函数
    高斯过程回归模型 RegressionGP 损失
    广义加性模型 RegressionGAM 损失
    神经网络模型 RegressionNeuralNetwork 损失

    选择功能

    要计算新的预测器数据的响应损失，请使用相应的损失对象的函数(Mdl)．

    版本历史

    R2021a中引入

    另请参阅