fitrtree

拟合二叉决策树进行回归

在页面中全部折叠

语法

tree = fitrtree(Tbl,ResponseVarName)

树= fitrtree(Tbl，公式)

树= fitrtree(Tbl,Y)

树= fitrtree(X,Y)

树= fitrtree(___、名称、值)

描述

树= fitrtree (资源描述，ResponseVarName）返回基于表中输入变量(也称为预测器、特性或属性)的回归树资源描述而输出(响应)包含在资源描述。ResponseVarName．返回的树是否是一个二叉树，其中每个分支节点都基于列的值进行分割资源描述．

树= fitrtree (资源描述，公式）根据表中包含的输入变量返回回归树资源描述．输入公式是否有响应的解释模型和预测变量的子集资源描述曾经适合树．

树= fitrtree (资源描述，Y）根据表中包含的输入变量返回回归树资源描述输出是向量Y．

例子

树= fitrtree (X，Y）返回基于输入变量的回归树X输出Y．返回的树是否是一个二叉树，其中每个分支节点都基于列的值进行分割X．

例子

树= fitrtree (___，名称,值）除前面语法中的任何输入参数组合外，还使用一个或多个名称-值对参数指定选项。例如，您可以指定观察权重或训练交叉验证模型。

例子

全部折叠

构建回归树

打开实时脚本

加载样例数据。

负载carsmall

使用示例数据构造一个回归树。响应变量是每加仑英里数，MPG。

([重量，气缸]，MPG，.．.“CategoricalPredictors”,2，“MinParentSize”, 20岁,.．.“PredictorNames”, {' W '，“C”})

tree = RegressionTree PredictorNames: {'W' 'C'} ResponseName: 'Y' CategoricalPredictors: 2 ResponseTransform: 'none' NumObservations: 94属性，方法

预测4000磅的4、6、8汽缸汽车的里程。

MPG4Kpred = predict(树，[4000 4;4000 6;4000 8])

MPG4Kpred =3×119.2778 19.2778 14.3889

控制回归树深度

打开实时脚本

fitrtree默认情况下生长深度决策树。您可以种植较浅的树以减少模型复杂性或计算时间。要控制树的深度，请使用“MaxNumSplits”，“MinLeafSize”,或“MinParentSize”名称-值对参数。

加载carsmall数据集。考虑位移，马力,重量作为反应的预测因子英里/加仑．

负载carsmallX =[排量马力重量];

用于生长回归树的树深度控制器的默认值是:

N - 1为MaxNumSplits．n是训练样本量。
1为MinLeafSize．
10为MinParentSize．

对于大的训练样本容量，这些默认值倾向于生长较深的树。

使用用于树深度控制的默认值训练回归树。使用10倍交叉验证交叉验证模型。

rng (1);%用于重现性MdlDefault = fitrtree(X,MPG，“CrossVal”，“上”）;

画一个直方图的数量施加的分裂在树上。分裂的数量比叶结点的数量少一个。另外，查看其中一棵树。

numBranches = @(x)sum(x. isbranch);mdldefaultnum劈裂= cellfun(numBranches, mdldefault . training);图;直方图(mdlDefaultNumSplits)

图中包含一个axes对象。axis对象包含一个直方图类型的对象。

视图(MdlDefault。训练有素的{1},“模式”，“图”）

图回归树查看器包含一个axis对象和其他类型为uimenu、uicontrol的对象。axis对象包含51个类型为line、text的对象。

平均分裂次数在14到15之间。

假设您想要一个回归树，它不像使用默认拆分次数训练的树那样复杂(深度)。训练另一棵回归树，但将最大拆分数设置为7，这大约是默认回归树拆分平均数的一半。使用10倍交叉验证交叉验证模型。

Mdl7 = fitrtree(X,MPG，“MaxNumSplits”7“CrossVal”，“上”）;视图(Mdl7。Trained{1},“模式”，“图”）

图回归树查看器包含一个axis对象和其他类型为uimenu、uicontrol的对象。axis对象包含27个类型为line、text的对象。

比较模型的交叉验证均方误差(MSEs)。

mseDefault = kfoldLoss(MdlDefault)

mseDefault = 25.7383

mse7 = kfoldLoss(Mdl7)

Mse7 = 26.5748

Mdl7的复杂度要低得多，性能只比MdlDefault．

优化回归树

打开实时脚本

自动优化超参数使用fitrtree．

加载carsmall数据集。

负载carsmall

使用重量而且马力作为预测因素英里/加仑．通过使用自动超参数优化找到最小化五倍交叉验证损失的超参数。

为了再现性，设置随机种子并使用“expected-improvement-plus”采集功能。

X =[重量，马力];Y = mpg;rng默认的Mdl = fitrtree(X,Y，“OptimizeHyperparameters”，“汽车”，.．.“HyperparameterOptimizationOptions”结构(“AcquisitionFunctionName”，.．.“expected-improvement-plus”）)

|======================================================================================| | Iter | Eval |目的:| |目的BestSoFar | BestSoFar | MinLeafSize | | | |结果日志(1 +损失)运行时| | | (estim(观察) .) | | |======================================================================================| | 最好1 | | 3.2818 | 0.25316 | 3.2818 | 3.2818 | 28 | | 2 |接受| 3.4183 | 0.074814 | 3.2818 | 3.2888 | 1 | | 3 |最好| 3.1457 | 0.089169 | 3.1457 | 3.1628 | 4 | | 4 |最好| 2.9885 | 0.083979 | 2.9885 | 2.9885 | 9 | | 5 |接受| 2.9978 | 0.080187 | 2.9885 | 2.9885 | 7 | | 6 | |3.0203 | 0.087941 | 2.9885 | 3.0013 | 8 | | | 7日接受| 2.9885 | 0.061282 | 2.9885 | 2.9981 | 9 | | 8最好| | 2.9589 | 0.066585 | 2.9589 | 2.9589 | 10 | | | 9日接受| 3.078 | 0.12412 | 2.9589 | 2.9888 | 13 | | |接受10 | 4.1881 | 0.10357 | 2.9589 | 2.9592 | 50 | | | 11日接受| 3.4182 | 0.10788 | 2.9589 | 2.9592 | 2 | | | 12日接受| 3.0376 | 0.096083 | 2.9589 | 2.9591 | 6 | | | 13日接受| 3.1453 | 0.058688 | 2.9589 | 2.9591 | 20 | | | 14日接受| 2.9589 | 0.082427 | 2.9589 | 2.959 | 10 ||15 | Accept | 3.0123 | 0.062489 | 2.9589 | 2.9728 | 11 | | 16 | Accept | 2.9589 | 0.064625 | 2.9589 | 2.9593 | 10 | | 17 | Accept | 3.3055 | 0.13495 | 2.9589 | 2.9593 | 3 | | 18 | Accept | 2.9589 | 0.064752 | 2.9589 | 2.9592 | 10 | | 19 | Accept | 3.4577 | 0.056917 | 2.9589 | 2.9591 | 37 | | 20 | Accept | 3.2166 | 0.12737 | 2.9589 | 2.959 | 16 | |======================================================================================| | Iter | Eval | Objective: | Objective | BestSoFar | BestSoFar | MinLeafSize | | | result | log(1+loss) | runtime | (observed) | (estim.) | | |======================================================================================| | 21 | Accept | 3.107 | 0.20469 | 2.9589 | 2.9591 | 5 | | 22 | Accept | 3.2818 | 0.15804 | 2.9589 | 2.959 | 24 | | 23 | Accept | 3.3226 | 0.071334 | 2.9589 | 2.959 | 32 | | 24 | Accept | 4.1881 | 0.075421 | 2.9589 | 2.9589 | 43 | | 25 | Accept | 3.1789 | 0.05161 | 2.9589 | 2.9589 | 18 | | 26 | Accept | 3.0992 | 0.11031 | 2.9589 | 2.9589 | 14 | | 27 | Accept | 3.0556 | 0.082334 | 2.9589 | 2.9589 | 22 | | 28 | Accept | 3.0459 | 0.097175 | 2.9589 | 2.9589 | 12 | | 29 | Accept | 3.2818 | 0.086324 | 2.9589 | 2.9589 | 26 | | 30 | Accept | 3.4361 | 0.054958 | 2.9589 | 2.9589 | 34 |

图中包含一个axes对象。标题为Min objective vs. Number of function求值的axis对象包含两个类型为line的对象。这些对象表示最小观测目标，估计最小目标。

图中包含一个axes对象。标题为Objective函数模型的axis对象包含8个类型为line的对象。这些对象表示观测点、模型均值、模型误差条、噪声误差条、下一个点、模型最小可行。

__________________________________________________________ 优化完成。最大目标:达到30。总函数评估:30总运行时间:28.5033秒总目标函数评估时间:2.8732最佳观测可行点:MinLeafSize ___________ 10观测目标函数值= 2.9589估计目标函数值= 2.9589估计函数评估时间= 0.066585最佳估计可行点(根据模型):MinLeafSize ___________ 10估计目标函数值= 2.9589估计函数评估时间= 0.088466

Mdl = RegressionTree ResponseName: 'Y' CategoricalPredictors: [] ResponseTransform: 'none' NumObservations: 94 HyperparameterOptimizationResults: [1x1 BayesianOptimization]属性，方法

无偏预测器重要性估计

打开实时脚本

加载carsmall数据集。考虑一个模型，它可以根据加速度、气缸数量、发动机排量、马力、制造商、型号年份和重量来预测汽车的平均燃油经济性。考虑气缸，制造行业,Model_Year作为分类变量。

负载carsmall气缸=分类的(气缸);Mfg = categorical(cellstr(Mfg));Model_Year = categorical(Model_Year);X =表(加速度，汽缸，排量，马力，制造，.．.Model_Year、重量、MPG);

显示类别变量中表示的类别数。

num气缸= numel(categories(气缸))

num气缸= 3

numMfg = numel(categories(Mfg))

numMfg = 28

numModelYear = numel(categories(Model_Year))

numModelYear = 3

因为只有三个类别气缸而且Model_Year，标准CART，预测器拆分算法更喜欢拆分连续预测器而不是这两个变量。

使用整个数据集训练一个回归树。要生长无偏树，请指定用于分裂预测器的曲率测试的用法。由于数据中缺少值，请指定代理分割的用法。

Mdl = fitrtree(X，“英里”，“PredictorSelection”，“弯曲”，“代孕”，“上”）;

通过将每个预测器上的分裂导致的风险变化相加，并将总和除以分支节点的数量，估计预测器重要性值。用条形图比较估算值。

imp = predictorImportance(Mdl);图;酒吧(imp);标题(“预测重要性估计”）;ylabel (“估计”）;包含(“预测”）;H = gca;h.XTickLabel = Mdl.PredictorNames;h.XTickLabelRotation = 45;h.TickLabelInterpreter =“没有”；

图中包含一个axes对象。标题为Predictor Importance Estimates的axes对象包含一个类型为bar的对象。

在这种情况下，位移是最重要的预测因素，其次是马力．

在高数组上控制树的最大深度

打开实时脚本

fitrtree默认情况下生长深度决策树。构建一个较浅的树，需要更少的通过一个高的数组。使用“MaxDepth”名称-值对参数来控制树的最大深度。

当您在高数组上执行计算时，MATLAB®使用并行池(如果您有并行计算工具箱™则默认)或本地MATLAB会话。如果在拥有并行计算工具箱的情况下，希望使用本地MATLAB会话运行示例，则可以通过使用mapreduce函数。

加载carsmall数据集。考虑位移，马力,重量作为反应的预测因子英里/加仑．

负载carsmallX =[排量马力重量];

转换内存中的数组X而且英里/加仑到高数组。

tx =高(X);

使用“本地”配置文件启动并行池(parpool)…连接到并行池(工作人员数量:6)。

ty =高(MPG);

使用所有的观察数据建立一个回归树。让树生长到最大可能的深度。

为了再现性，设置随机数生成器的种子使用rng而且tallrng．根据工作人员的数量和tall数组的执行环境，结果可能有所不同。详情请参见控制代码运行的位置．

rng (“默认”) tallrng (“默认”) Mdl = fitrtree(tx,ty);

评估高表达式使用并行池“当地”:——通过1 2:在4.1秒完成,通过2 2:在0.71秒完成评估在6.7秒完成评估高表达式使用并行池“当地”:——通过1 7:在1.4秒完成,通过2 7:在0.29秒完成,通过3 7:在1.5秒完成,通过4 7:在3.3秒完成,通过5 7:在0.63秒完成,通过6 7:在1.2秒完成,通过7 7:在2.6秒完成评估在12秒完成评估高表达式使用并行池“当地”:——通过1 7:在0.36秒完成,通过2 7:在0.27秒完成,通过3 7:在0.85秒完成,通过4 7:在2秒完成,通过5 7:在0.55秒完成,通过6 7:在0.92秒完成,通过7 7:在1.6秒完成评估在7.4秒完成评估高表达式使用并行池“当地”:——通过1 7:在0.32秒完成,通过2 7:在0.29秒完成,通过3 7:在0.89秒完成,通过4 7:在1.9秒完成,通过5 7:在0.83秒完成,通过6 7:在1.2秒完成,通过7 7:在2.4秒完成评估在9秒完成评估高表达使用并行池“当地”:——通过1 7:在0.33秒完成,通过2 7:在0.28秒完成,通过3 7:在0.89秒完成,通过4 7:在2.4秒完成,通过5 7:在0.76秒完成,通过6 7:在1秒完成,通过7 7:在1.7秒完成评估在8.3秒完成评估高表达使用并行池“当地”:——通过1 7:在0.34秒完成,通过2 7:在0.26秒完成,通过3 7:在0.81秒完成,通过4 7:在1.7秒完成,通过5 7:在0.56秒完成,通过6 7:在1秒完成,通过7 7:在1.9秒完成评估在7.4秒完成评估高表达式使用并行池“当地”:——通过1 7:在0.35秒完成,通过2 7:在0.28秒完成,通过3 7:在0.81秒完成,通过4 7:在1.8秒完成,通过5 7:在0.76秒完成,通过6 7:在0.96秒完成,通过7 7:在2.2秒完成评估在8秒完成评估高表达式使用并行池“当地”:——通过1 7:在0.35秒完成,通过2 7:在0.32秒完成,通过3 7:在0.92秒完成,通过4 7:在1.9秒完成,通过5 7:在1秒完成,通过6 7:在1.5秒完成,通过7 7:在2.1秒完成评估在9.2秒完成评估高表达使用并行池“当地”:——通过1 7:在0.33秒完成,通过2 7:在0.28秒完成,通过3 7:在0.82秒完成,通过4 7:在1.4秒完成,通过5 7:在0.61秒内完成-在0.93秒内完成-在1.5秒内完成评估在6.6秒内完成

查看训练过的树Mdl．

视图(Mdl,“模式”，“图”）

Mdl树是有深度的吗8．

估计样本内均方误差。

MSE_Mdl = gather(丢失(Mdl,tx,ty))

使用并行池“local”计算高表达式:-通过1 / 1:在1.6秒内完成计算，在1.9秒内完成

MSE_Mdl = 4.9078

使用所有的观察数据建立一个回归树。通过指定最大树深度来限制树深度4．

Mdl2 = fitrtree(tx,ty，)“MaxDepth”4);

评估高表达式使用并行池“当地”:——通过1 2:在0.27秒完成,通过2 2:在0.28秒完成评估在0.84秒完成评估高表达式使用并行池“当地”:——通过1 7:在0.36秒完成,通过2 7:在0.3秒完成,通过3 7:在0.95秒完成,通过4 7:在1.6秒完成,通过5 7:在0.55秒完成,通过6 7:在0.93秒完成,通过7 7:在1.5秒完成评估在7秒完成评估高表达式使用并行池“当地”:——通过1 7:在0.34秒完成,通过2 7:在0.3秒完成,通过3 7:在0.95秒完成,通过4 7:在1.7秒完成,通过5 7:在0.57秒完成,通过6 7:在0.94秒完成,通过7 7:在1.8秒完成评估在7.7秒完成评估高表达式使用并行池“当地”:——通过1 7:在0.34秒完成,通过2 7:在0.3秒完成,通过3 7:在0.87秒完成,通过4 7:在1.5秒完成,通过5 7:在0.57秒完成,通过6 7:在0.81秒完成,通过7 7:在1.7秒完成评估在6.9秒完成评估高表达使用并行池“当地”:——通过1 7:在0.32秒完成,通过2 7:在0.27秒完成,通过3 7:在0.85秒完成,通过4 7:在1.6秒完成,通过5 7:在0.63秒内完成-在0.9秒内完成-在1.6秒内完成评估7秒内完成

查看训练过的树Mdl2．

视图(Mdl2,“模式”，“图”）

估计样本内均方误差。

MSE_Mdl2 = gather(丢失(Mdl2,tx,ty))

通过1 / 1:在0.73秒内完成计算，在1秒内完成

MSE_Mdl2 = 9.3903

Mdl2是否有深度为4且样本内均方误差高于的较不复杂的树Mdl．

优化高数组上的回归树

打开实时脚本

使用高数组自动优化回归树的超参数。样本数据集是carsmall数据集。本示例将数据集转换为一个高数组，并使用它运行优化过程。

加载carsmall数据集。考虑位移，马力,重量作为反应的预测因子英里/加仑．

负载carsmallX =[排量马力重量];

转换内存中的数组X而且英里/加仑到高数组。

tx =高(X);

使用“本地”配置文件启动并行池(parpool)…连接到并行池(工作人员数量:6)。

ty =高(MPG);

方法自动优化超参数“OptimizeHyperparameters”名称-值对参数。找到最优方案“MinLeafSize”最小抵制交叉验证损失的值。(指定“汽车”使用“MinLeafSize”)。对于可再现性，使用“expected-improvement-plus”采集函数和设置种子的随机数生成器使用rng而且tallrng．根据工作人员的数量和tall数组的执行环境，结果可能有所不同。详情请参见控制代码运行的位置．

rng (“默认”) tallrng (“默认”[Mdl,FitInfo,HyperparameterOptimizationResults] = fitrtree(tx,ty，.．.“OptimizeHyperparameters”，“汽车”，.．.“HyperparameterOptimizationOptions”结构(“坚持”, 0.3,.．.“AcquisitionFunctionName”，“expected-improvement-plus”）)

评估高表达式使用并行池“当地”:通过1对1:在4.4秒完成评估在6.2秒完成评估高表达式使用并行池“当地”:——通过1 4:在0.97秒完成,通过2 4:在1.6秒完成,通过3 4:在3.6秒完成,通过4 4:在2.4秒完成评估在9.8秒完成评估高表达式使用并行池“当地”:——通过1 4:在0.55秒完成,通过2 4:完成1.3秒-通过3 4:在2.7秒完成,通过4 4:在1.9秒完成评估在7.3秒完成评估高表达式使用并行池“当地”:——通过1 4:在0.52秒完成,通过2 4:在1.3秒完成,通过3 4:完成在3秒-通过4 4:在2秒完成评估在8.1秒完成评估高表达式使用并行池“当地”:——通过1 4:在0.55秒完成,通过2 4:完成1.4秒-通过3 4:在2.6秒完成,通过4 4:在2秒完成评估在7.3秒完成评估高表达式使用并行池“当地”:——通过1 4:在0.61秒完成,通过2 4:在1.2秒完成,通过3 4:在2.1秒完成,通过4 4:在1.7秒完成评估在6.5秒完成评估高表达式使用并行池“当地”:——通过1 4:在0.53秒完成,通过2 4:在1.2秒内完成-通过3(4):在2.4秒内完成-通过4(4):在1.6秒内完成评估在6.6秒内完成评估使用并行池'local'的高表达式:-通过1(1):在1.4秒内完成评估在1.7秒内完成|======================================================================================| | Iter | Eval || |目的BestSoFar | BestSoFar | MinLeafSize | | | |结果日志(1 +损失)运行时| | | (estim(观察) .) | | |======================================================================================| | 最好1 | | 3.2007 | 69.013 | 3.2007 | 3.2007 | 2 |

评估高表达式使用并行池“当地”:通过1对1:在0.52秒完成评估在0.83秒完成评估高表达式使用并行池“当地”:——通过1 4:在0.65秒完成,通过2 4:在1.2秒完成,通过3 4:完成在3秒-通过4 4:在2秒完成评估在8.3秒完成评估高表达式使用并行池“当地”:-通过1的1:0.79秒完成评估1秒完成| 2 |错误| NaN | 13.772 | NaN | 3.2007 | 46 |

评估高表达式使用并行池“当地”:通过1对1:在0.52秒完成评估在0.81秒完成评估高表达式使用并行池“当地”:——通过1 4:在0.57秒完成,通过2 4:在1.3秒完成,通过3 4:在2.2秒完成,通过4 4:在1.7秒完成评估在6.6秒完成评估高表达式使用并行池“当地”:——通过1 4:在0.5秒完成,通过2 4:完成1.2秒-通过3 4:在2.7秒完成,通过4 4:在1.7秒完成评估在6.9秒完成评估高表达式使用并行池“当地”:——通过1 4:在0.47秒完成,通过2 4:在1.1秒完成,通过3 4:在2.1秒完成,通过4 4:在1.9秒完成评估在6.4秒完成评估高表达式使用并行池“当地”:-通过1的1:0.72秒完成评估0.99秒完成| 3 |最佳|.1876 | 29.091 | 3.1876 | 3.1884 | 18 |

评估高表达式使用并行池“当地”:通过1对1:在0.48秒完成评估在0.76秒完成评估高表达式使用并行池“当地”:——通过1 4:在0.5秒完成,通过2 4:在1.2秒完成,通过3 4:在1.9秒完成,通过4 4:在1.4秒完成评估在5.8秒完成评估高表达式使用并行池“当地”:——通过1 4:在0.48秒完成,通过2 4:完成1.1秒-通过3 4:完成2秒-通过4 4:在1.5秒完成评估在5.8秒完成评估高表达式使用并行池“当地”:——通过1 4:在0.54秒完成,通过2 4:在1.1秒完成,通过3 4:在1.9秒完成,通过4 4:在1.4秒完成评估在5.7秒完成评估高表达式使用并行池“当地”:——通过1 4:在0.46秒完成,通过2 4:在1.1秒内完成-通过3 / 4:在1.8秒内完成-通过4 / 4:在1.4秒内完成评估在5.5秒内完成使用并行池“local”评估高表达式:-通过1 / 1:在0.64秒内完成评估在0.92秒内完成| 4 |最佳| 2.9048 | 33.465 | 2.9048 | 2.9537 | 6 |

评估高表达式使用并行池“当地”:通过1对1:在0.44秒完成评估在0.71秒完成评估高表达式使用并行池“当地”:——通过1 4:在0.46秒完成,通过2 4:在1.1秒完成,通过3 4:完成2秒-通过4 4:在1.5秒完成评估在5.9秒完成评估高表达式使用并行池“当地”:——通过1 4:在0.47秒完成,通过2 4:完成1.1秒-通过3 4:在1.9秒完成,通过4 4:在1.5秒完成评估在5.7秒完成评估高表达式使用并行池“当地”:——通过1 4:在0.44秒完成,通过2 4:在1.1秒完成,通过3 4:在1.9秒完成,通过4 4:在1.4秒完成评估在5.6秒完成评估高表达式使用并行池“当地”:-通过1的1:0.66秒完成评估0.92秒完成| 5 |接受| 3.2895 | 25.902 | 2.9048 | 2.9048 | 15 |

评估高表达式使用并行池“当地”:通过1对1:在0.54秒完成评估在0.82秒完成评估高表达式使用并行池“当地”:——通过1 4:在0.53秒完成,通过2 4:在1.2秒完成,通过3 4:完成2秒-通过4 4:在1.5秒完成评估在6秒完成评估高表达式使用并行池“当地”:——通过1 4:在0.5秒完成,通过2 4:完成1.1秒-通过3 4:在2.1秒完成,通过4 4:在1.9秒完成评估在6.4秒完成评估高表达式使用并行池“当地”:——通过1 4:在0.49秒完成,通过2 4:在1.1秒完成,通过3 4:在1.9秒完成,通过4 4:在2秒完成评估在6.6秒完成评估高表达式使用并行池“当地”:——通过1 4:在0.45秒完成,通过2 4:在1.1秒内完成-通过3 / 4:在2秒内完成-通过4 / 4:在1.4秒内完成评估在5.8秒内完成使用并行池'local'计算高表达式:-通过1 / 1:在0.68秒内完成评估在0.99秒内完成| 6 |接受| 3.1641 | 35.522 | 2.9048 | 3.1493 | 5 |

评估高表达式使用并行池“当地”:通过1对1:在0.51秒完成评估在0.79秒完成评估高表达式使用并行池“当地”:——通过1 4:在0.67秒完成,通过2 4:在1.3秒完成,通过3 4:在1.8秒完成,通过4 4:在1.4秒完成评估在6.2秒完成评估高表达式使用并行池“当地”:——通过1 4:在0.45秒完成,通过2 4:完成1.1秒-通过3 4:在1.9秒完成,通过4 4:在1.4秒完成评估在5.7秒完成评估高表达式使用并行池“当地”:——通过1 4:在0.48秒完成,通过2 4:在1.4秒完成,通过3 4:在1.8秒完成,通过4 4:在1.4秒完成评估在5.8秒完成评估高表达式使用并行池“当地”:——通过1 4:在0.46秒完成,通过2 4:在1.1秒内完成-通过3 / 4:在1.8秒内完成-通过4 / 4:在1.4秒内完成评估在5.6秒内完成使用并行池'local'计算高表达式:-通过1 / 1:在0.63秒内完成评估在0.89秒内完成| 7 |接受| 2.9048 | 33.755 | 2.9048 | 2.9048 | 6 |

评估高表达式使用并行池“当地”:通过1对1:在0.45秒完成评估在0.75秒完成评估高表达式使用并行池“当地”:——通过1 4:在0.51秒完成,通过2 4:在1.2秒完成,通过3 4:在2.2秒完成,通过4 4:在1.5秒完成评估在6.1秒完成评估高表达式使用并行池“当地”:——通过1 4:在0.49秒完成,通过2 4:完成1.1秒-通过3 4:在1.9秒完成,通过4 4:在1.4秒完成评估在5.6秒完成评估高表达式使用并行池“当地”:——通过1 4:在0.46秒完成,通过2 4:在1.1秒完成,通过3 4:在1.8秒完成,通过4 4:在1.4秒完成评估在5.6秒完成评估高表达式使用并行池“当地”:——通过1 4:在0.45秒完成,通过2 4:在1.1秒内完成-通过3 / 4:在1.8秒内完成-通过4 / 4:在1.3秒内完成评估在5.4秒内完成使用并行池'local'计算高表达式:-通过1 / 1:在0.68秒内完成评估在0.97秒内完成| 8 |接受| 2.9522 | 33.362 | 2.9048 | 2.9048 | 7 |

评估高表达式使用并行池“当地”:通过1对1:在0.42秒完成评估在0.71秒完成评估高表达式使用并行池“当地”:——通过1 4:在0.48秒完成,通过2 4:在1.1秒完成,通过3 4:在1.8秒完成,通过4 4:在1.4秒完成评估在5.5秒完成评估高表达式使用并行池“当地”:——通过1 4:在0.45秒完成,通过2 4:完成1.1秒-通过3 4:在1.8秒完成,通过4 4:在1.4秒完成评估在5.5秒完成评估高表达式使用并行池“当地”:——通过1 4:在0.5秒完成,通过2 4:在1.1秒完成,通过3 4:在1.9秒完成,通过4 4:在1.5秒完成评估在5.7秒完成评估高表达式使用并行池“当地”:——通过1 4:在0.49秒完成,通过2 4:在1.1秒内完成-通过3 / 4:在1.8秒内完成-通过4 / 4:在1.4秒内完成评估在5.5秒内完成使用并行池'local'计算高表达式:-通过1 / 1:在0.64秒内完成评估在0.9秒内完成| 9 |接受| 2.9985 | 32.674 | 2.9048 | 2.9048 | 8 |

评估高表达式使用并行池“当地”:通过1对1:在0.43秒完成评估在0.7秒完成评估高表达式使用并行池“当地”:——通过1 4:在0.47秒完成,通过2 4:在1.1秒完成,通过3 4:在1.8秒完成,通过4 4:在1.4秒完成评估在5.5秒完成评估高表达式使用并行池“当地”:——通过1 4:在0.56秒完成,通过2 4:完成1.2秒-通过3 4:完成2秒-通过4 4:在1.4秒完成评估在6秒完成评估高表达式使用并行池“当地”:——通过1 4:在0.45秒完成,通过2 4:在1.1秒完成,通过3 4:在1.8秒完成,通过4 4:在1.5秒完成评估在5.7秒完成评估高表达式使用并行池“当地”:——通过1 4:在0.47秒完成,通过2 4:在1.1秒内完成-通过3 / 4:在1.8秒内完成-通过4 / 4:在1.6秒内完成评估在5.8秒内完成使用并行池'local'计算高表达式:-通过1 / 1:在0.88秒内完成评估在1.2秒内完成| 10 |接受| 3.0185 | 33.922 | 2.9048 | 2.9048 | 10 |

评估高表达式使用并行池“当地”:通过1对1:在0.44秒完成评估在0.74秒完成评估高表达式使用并行池“当地”:——通过1 4:在0.46秒完成,通过2 4:在1.2秒完成,通过3 4:在1.8秒完成,通过4 4:在1.3秒完成评估在5.6秒完成评估高表达式使用并行池“当地”:——通过1 4:在0.48秒完成,通过2 4:完成1.2秒-通过3 4:完成2秒-通过4 4:在1.6秒完成评估在6.2秒完成评估高表达式使用并行池“当地”:——通过1 4:在0.73秒完成,通过2 4:在1.2秒完成,通过3 4:完成2秒-通过4 4:在1.5秒完成评估在6.2秒完成评估高表达式使用并行池“当地”:-通过1的1:0.63秒完成评估0.88秒完成| 11 | |接受| 3.2895 | 26.625 | 2.9048 | 2.9048 | 14 |

评估高表达式使用并行池“当地”:通过1对1:在0.48秒完成评估在0.78秒完成评估高表达式使用并行池“当地”:——通过1 4:在0.51秒完成,通过2 4:在1.2秒完成,通过3 4:在1.9秒完成,通过4 4:在1.3秒完成评估在5.7秒完成评估高表达式使用并行池“当地”:——通过1 4:在0.48秒完成,通过2 4:在1.2秒内完成-通过3 / 4:在1.8秒内完成-通过4 / 4:在1.4秒内完成评估在5.5秒内完成使用并行池'local'计算高表达式:-通过1 / 1:在0.65秒内完成评估在0.9秒内完成| 12 |接受| 3.4798 | 18.111 | 2.9048 | 2.9049 | 31 |

评估高表达式使用并行池“当地”:通过1对1:在0.44秒完成评估在0.71秒完成评估高表达式使用并行池“当地”:——通过1 4:在0.45秒完成,通过2 4:在1.1秒完成,通过3 4:在1.8秒完成,通过4 4:在1.3秒完成评估在5.4秒完成评估高表达式使用并行池“当地”:——通过1 4:在0.5秒完成,通过2 4:完成1.1秒-通过3 4:在1.8秒完成,通过4 4:在1.3秒完成评估在5.5秒完成评估高表达式使用并行池“当地”:——通过1 4:在0.5秒完成,通过2 4:在1.1秒完成,通过3 4:在1.8秒完成,通过4 4:在1.4秒完成评估在5.5秒完成评估高表达式使用并行池“当地”:——通过1 4:在0.48秒完成,通过2 4:完成1.1秒-通过3 4:在1.8秒完成,通过4 4:在1.4秒完成评估在5.7秒完成评估高表达式使用并行池“当地”:——通过1 4:在0.44秒完成,通过2 4:在1.1秒完成,通过3 4:在1.8秒完成,通过4 4:在1.3秒完成评估在5.4秒完成评估高表达式使用并行池“当地”:——通过1 4:在0.43秒完成,通过2 4:在1.2秒内完成-通过3 / 4:在2秒内完成-通过4 / 4:在1.4秒内完成评估在5.7秒内完成使用并行池'local'计算高表达式:-通过1 / 1:在0.64秒内完成评估在0.91秒内完成| 13 | |接受| 3.2248 | 47.436 | 2.9048 | 2.9048 | 1 |

评估高表达式使用并行池“当地”:通过1对1:在0.46秒完成评估在0.74秒完成评估高表达式使用并行池“当地”:——通过1 4:在0.6秒完成,通过2 4:在1.1秒完成,通过3 4:在1.8秒完成,通过4 4:在1.3秒完成评估在5.5秒完成评估高表达式使用并行池“当地”:——通过1 4:在0.45秒完成,通过2 4:完成1.1秒-通过3 4:在1.8秒完成,通过4 4:在1.4秒完成评估在5.6秒完成评估高表达式使用并行池“当地”:——通过1 4:在0.57秒完成,通过2 4:在1.1秒完成,通过3 4:在2.6秒完成,通过4 4:在1.6秒完成评估在6.6秒完成评估高表达式使用并行池“当地”:——通过1 4:在0.62秒完成,通过2 4:完成1.1秒-通过3 4:在1.8秒完成,通过4 4:在1.4秒完成评估在5.7秒完成评估高表达式使用并行池“当地”:——通过1 4:在0.5秒完成,通过2 4:在1.1秒完成,通过3 4:在1.8秒完成,通过4 4:在1.6秒完成评估在6.1秒完成评估高表达式使用并行池“当地”:-通过1的1:0.61秒完成评估0.88秒完成| 14 b|接受| 3.1498 | 42.062 | 2.9048 | 2.9048 | 3 |

评估高表达式使用并行池“当地”:通过1对1:在0.46秒完成评估在0.76秒完成评估高表达式使用并行池“当地”:——通过1 4:在0.48秒完成,通过2 4:在1.1秒完成,通过3 4:在1.8秒完成,通过4 4:在1.4秒完成评估在5.5秒完成评估高表达式使用并行池“当地”:——通过1 4:在0.5秒完成,通过2 4:完成1.1秒-通过3 4:在1.8秒完成,通过4 4:在1.3秒完成评估在5.5秒完成评估高表达式使用并行池“当地”:——通过1 4:在0.67秒完成,通过2 4:在1.3秒完成,通过3 4:在2.3秒完成,通过4 4:在2.2秒完成评估在7.4秒完成评估高表达式使用并行池“当地”:——通过1 4:在0.45秒完成,通过2 4:在1.1秒内完成-通过3 / 4:在1.8秒内完成-通过4 / 4:在1.4秒内完成评估在5.4秒内完成使用并行池'local'计算高表达式:-通过1 / 1:在0.6秒内完成评估在0.86秒内完成| 15 |接受| 2.9048 | 34.3 | 2.9048 | 2.9048 | 6 |

评估高表达式使用并行池“当地”:通过1对1:在0.48秒完成评估在0.78秒完成评估高表达式使用并行池“当地”:——通过1 4:在0.44秒完成,通过2 4:在1.1秒完成,通过3 4:在1.8秒完成,通过4 4:在1.3秒完成评估在5.5秒完成评估高表达式使用并行池“当地”:——通过1 4:在0.44秒完成,通过2 4:完成1.2秒-通过3 4:在1.8秒完成,通过4 4:在1.4秒完成评估在5.6秒完成评估高表达式使用并行池“当地”:——通过1 4:在0.43秒完成,通过2 4:在1.1秒完成,通过3 4:在1.8秒完成,通过4 4:在1.3秒完成评估在5.4秒完成评估高表达式使用并行池“当地”:——通过1 4:在0.44秒完成,通过2 4:在1.1秒内完成-通过3 / 4:在2秒内完成-通过4 / 4:在1.4秒内完成评估在5.7秒内完成使用并行池'local'计算高表达式:-通过1 / 1:在0.62秒内完成评估在0.88秒内完成| 16 |接受| 2.9048 | 32.97 | 2.9048 | 2.9048 | 6 |

评估高表达式使用并行池“当地”:通过1对1:在0.43秒完成评估在0.73秒完成评估高表达式使用并行池“当地”:——通过1 4:在0.47秒完成,通过2 4:在1.1秒完成,通过3 4:在1.8秒完成,通过4 4:在1.3秒完成评估在5.5秒完成评估高表达式使用并行池“当地”:——通过1 4:在0.43秒完成,通过2 4:在1.1秒内完成-通过3 / 4:在1.8秒内完成-通过4 / 4:在1.3秒内完成评估在5.5秒内完成使用并行池'local'计算高表达式:-通过1 / 1:在0.62秒内完成评估在0.9秒内完成| 17 |接受| 3.1847 | 17.47 | 2.9048 | 2.9048 | 23 |

评估高表达式使用并行池“当地”:通过1对1:在0.43秒完成评估在0.72秒完成评估高表达式使用并行池“当地”:——通过1 4:在0.44秒完成,通过2 4:在1.1秒完成,通过3 4:在1.8秒完成,通过4 4:在1.4秒完成评估在5.7秒完成评估高表达式使用并行池“当地”:——通过1 4:在0.68秒完成,通过2 4:完成1.4秒-通过3 4:在1.9秒完成,通过4 4:在1.4秒完成评估在6.3秒完成评估高表达式使用并行池“当地”:——通过1 4:在0.45秒完成,通过2 4:在1.1秒完成,通过3 4:在1.8秒完成,通过4 4:在1.4秒完成评估在5.4秒完成评估高表达式使用并行池“当地”:——通过1 4:在0.44秒完成,通过2 4:在1.1秒内完成-通过3 / 4:在1.8秒内完成-通过4 / 4:在1.4秒内完成评估在5.4秒内完成使用并行池'local'计算高表达式:-通过1 / 1:在0.62秒内完成评估在0.93秒内完成| 18 |接受| 3.1817 | 33.346 | 2.9048 | 2.9048 | 4 |

评估高表达式使用并行池“当地”:通过1对1:在0.43秒完成评估在0.72秒完成评估高表达式使用并行池“当地”:——通过1 4:在0.44秒完成,通过2 4:在1.1秒完成,通过3 4:在1.8秒完成,通过4 4:在1.3秒完成评估在5.4秒完成评估高表达式使用并行池“当地”:-通过1的1:0.62秒完成评估0.86秒完成| 19 |错误| NaN | 10.235 | 2.9048 | 2.9048 | 38 |

评估高表达式使用并行池“当地”:通过1对1:在0.47秒完成评估在0.76秒完成评估高表达式使用并行池“当地”:——通过1 4:在0.44秒完成,通过2 4:在1.2秒完成,通过3 4:在1.8秒完成,通过4 4:在1.3秒完成评估在5.5秒完成评估高表达式使用并行池“当地”:——通过1 4:在0.44秒完成,通过2 4:完成1.1秒-通过3 4:在1.8秒完成,通过4 4:在1.4秒完成评估在5.5秒完成评估高表达式使用并行池“当地”:——通过1 4:在0.44秒完成,通过2 4:在1.1秒完成,通过3 4:在1.9秒完成,通过4 4:在1.3秒完成评估在5.5秒完成评估高表达式使用并行池“当地”:——通过1 4:在0.43秒完成,通过2 4:在1.1秒内完成-通过3 / 4:在1.8秒内完成-通过4 / 4:在1.4秒内完成评估在5.5秒内完成使用并行池'local'计算高表达式:-通过1 / 1:在0.63秒内完成评估在0.89秒内完成| 20 |接受| 3.0628 | 32.459 | 2.9048 | 2.9048 | 12 |

评估高表达式使用并行池“当地”:通过1对1:在0.46秒完成评估在0.76秒完成评估高表达式使用并行池“当地”:——通过1 4:在0.48秒完成,通过2 4:在1.1秒完成,通过3 4:在1.8秒完成,通过4 4:在1.4秒完成评估在5.5秒完成评估高表达式使用并行池“当地”:——通过1 4:在0.68秒完成,通过2 4:在1.7秒内完成-通过3 / 4:在2.1秒内完成-通过4 / 4:在1.4秒内完成评估在6.8秒内完成评估使用并行池'local'的高表达式:-通过1 / 1:在0.64秒内完成评估在0.9秒内完成|======================================================================================| | Iter | Eval || |目的BestSoFar | BestSoFar | MinLeafSize | | | |结果日志(1 +损失)运行时| | | (estim(观察) .) | | |======================================================================================| | 21日|接受| 3.1847 | 19.02 | 2.9048 | 2.9048 | | 27岁

评估高表达式使用并行池“当地”:通过1对1:在0.45秒完成评估在0.75秒完成评估高表达式使用并行池“当地”:——通过1 4:在0.47秒完成,通过2 4:在1.1秒完成,通过3 4:在1.8秒完成,通过4 4:在1.4秒完成评估在5.6秒完成评估高表达式使用并行池“当地”:——通过1 4:在0.45秒完成,通过2 4:完成1.1秒-通过3 4:在1.8秒完成,通过4 4:在1.3秒完成评估在5.5秒完成评估高表达式使用并行池“当地”:——通过1 4:在0.5秒完成,通过2 4:在1.6秒完成,通过3 4:在2.4秒完成,通过4 4:在1.5秒完成评估在6.8秒完成评估高表达式使用并行池“当地”:——通过1 4:在0.44秒完成,通过2 4:在1.1秒内完成-通过3 / 4:在1.8秒内完成-通过4 / 4:在1.5秒内完成评估在5.6秒内完成使用并行池'local'计算高表达式:-通过1 / 1:在0.63秒内完成评估在0.89秒内完成| 22 |接受| 3.0185 | 33.933 | 2.9048 | 2.9048 | 9 |

评估高表达式使用并行池“当地”:通过1对1:在0.46秒完成评估在0.76秒完成评估高表达式使用并行池“当地”:——通过1 4:在0.45秒完成,通过2 4:在1.1秒完成,通过3 4:在1.8秒完成,通过4 4:在1.4秒完成评估在5.5秒完成评估高表达式使用并行池“当地”:——通过1 4:在0.45秒完成,通过2 4:完成1.1秒-通过3 4:在1.8秒完成,通过4 4:在1.4秒完成评估在5.5秒完成评估高表达式使用并行池“当地”:——通过1 4:在0.43秒完成,通过2 4:在1.1秒完成,通过3 4:在1.8秒完成,通过4 4:在1.3秒完成评估在5.4秒完成评估高表达式使用并行池“当地”:-通过1的1:0.64秒完成评估0.89秒完成| 23 |接受| 3.0749 | 25.147 | 2.9048 | 2.9048 | 20 |

评估高表达式使用并行池“当地”:通过1对1:在0.44秒完成评估在0.73秒完成评估高表达式使用并行池“当地”:——通过1 4:在0.42秒完成,通过2 4:在1.1秒完成,通过3 4:在1.8秒完成,通过4 4:在1.4秒完成评估在5.5秒完成评估高表达式使用并行池“当地”:——通过1 4:在0.43秒完成,通过2 4:完成1.1秒-通过3 4:在1.8秒完成,通过4 4:在1.3秒完成评估在5.4秒完成评估高表达式使用并行池“当地”:——通过1 4:在0.53秒完成,通过2 4:在1.4秒完成,通过3 4:在1.9秒完成,通过4 4:在1.4秒完成评估在5.9秒完成评估高表达式使用并行池“当地”:——通过1 4:在0.44秒完成,通过2 4:在1.1秒内完成-通过3 / 4:在1.8秒内完成-通过4 / 4:在1.4秒内完成评估在5.5秒内完成使用并行池'local'计算高表达式:-通过1 / 1:在0.62秒内完成评估在0.88秒内完成| 24 |接受| 3.0628 | 32.764 | 2.9048 | 2.9048 | 11 |

评估高表达式使用并行池“当地”:通过1对1:在0.44秒完成评估在0.73秒完成评估高表达式使用并行池“当地”:——通过1 4:在0.44秒完成,通过2 4:在1.2秒完成,通过3 4:在1.8秒完成,通过4 4:在1.4秒完成评估在5.5秒完成评估高表达式使用并行池“当地”:-通过1的1:0.61秒完成评估0.87秒完成| 25 |错误| NaN | 10.294 | 2.9048 | 2.9048 | 34 |

评估高表达式使用并行池“当地”:通过1对1:在0.44秒完成评估在0.73秒完成评估高表达式使用并行池“当地”:——通过1 4:在0.45秒完成,通过2 4:在1.1秒完成,通过3 4:在1.8秒完成,通过4 4:在1.3秒完成评估在5.4秒完成评估高表达式使用并行池“当地”:——通过1 4:在0.43秒完成,通过2 4:在1.1秒内完成-通过3 / 4:在1.8秒内完成-通过4 / 4:在1.3秒内完成评估在5.4秒内完成使用并行池'local'计算高表达式:-通过1 / 1:在0.62秒内完成评估在0.87秒内完成| 26 |接受| 3.1847 | 17.587 | 2.9048 | 2.9048 | 25 |

评估高表达式使用并行池“当地”:通过1对1:在0.45秒完成评估在0.73秒完成评估高表达式使用并行池“当地”:——通过1 4:在0.45秒完成,通过2 4:在1秒完成,通过3 4:在1.8秒完成,通过4 4:在1.3秒完成评估在5.4秒完成评估高表达式使用并行池“当地”:——通过1 4:在0.44秒完成,通过2 4:完成1.1秒-通过3 4:在1.8秒完成,通过4 4:在1.4秒完成评估在5.5秒完成评估高表达式使用并行池“当地”:——通过1 4:在0.43秒完成,通过2 4:在1秒完成,通过3 4:在1.8秒完成,通过4 4:在1.3秒完成评估在5.3秒完成评估高表达式使用并行池“当地”:-通过1的1:在0.66秒内完成评估在0.96秒内完成| 27 b|接受| 3.2895 | 24.867 | 2.9048 | 2.9048 | 16 |

评估高表达式使用并行池“当地”:通过1对1:在0.44秒完成评估在0.74秒完成评估高表达式使用并行池“当地”:——通过1 4:在0.45秒完成,通过2 4:在1.1秒完成,通过3 4:在1.8秒完成,通过4 4:在1.3秒完成评估在5.4秒完成评估高表达式使用并行池“当地”:——通过1 4:在0.43秒完成,通过2 4:完成1.1秒-通过3 4:在1.8秒完成,通过4 4:在1.4秒完成评估在5.5秒完成评估高表达式使用并行池“当地”:——通过1 4:在0.44秒完成,通过2 4:在1.1秒完成,通过3 4:在1.8秒完成,通过4 4:在1.4秒完成评估在5.4秒完成评估高表达式使用并行池“当地”:-通过1的1:0.6秒完成评估0.88秒完成| 28 |接受| 3.2135 | 24.928 | 2.9048 | 2.9048 | 13 |

评估高表达式使用并行池“当地”:通过1对1:在0.47秒完成评估在0.76秒完成评估高表达式使用并行池“当地”:——通过1 4:在0.45秒完成,通过2 4:在1.1秒完成,通过3 4:在1.8秒完成,通过4 4:在1.3秒完成评估在5.4秒完成评估高表达式使用并行池“当地”:——通过1 4:在0.46秒完成,通过2 4:在1.1秒内完成-通过3 / 4:在1.8秒内完成-通过4 / 4:在1.3秒内完成评估在5.5秒内完成使用并行池'local'计算高表达式:-通过1 / 1:在0.62秒内完成评估在0.87秒内完成| 29 |接受| 3.1847 | 17.582 | 2.9048 | 2.9048 | 21 |

评估高表达式使用并行池“当地”:通过1对1:在0.53秒完成评估在0.81秒完成评估高表达式使用并行池“当地”:——通过1 4:在0.44秒完成,通过2 4:在1.1秒完成,通过3 4:在1.8秒完成,通过4 4:在1.3秒完成评估在5.4秒完成评估高表达式使用并行池“当地”:——通过1 4:在0.43秒完成,通过2 4:在1.1秒内完成-通过3 / 4:在1.8秒内完成-通过4 / 4:在1.3秒内完成评估在5.4秒内完成使用并行池'local'计算高表达式:-通过1 / 1:在0.63秒内完成评估在0.88秒内完成| 30 |接受| 3.1827 | 17.597 | 2.9048 | 2.9122 | 29 |

__________________________________________________________ 优化完成。最大目标:达到30。总函数计算:30总运行时间:882.5668秒。总目标函数评估时间:859.2122最佳观察可行点:MinLeafSize ___________ 6观察到的目标函数值= 2.9048估计的目标函数值= 2.9122函数评估时间= 33.4655最佳估计可行点(根据模型):MinLeafSize ___________ 6估计的目标函数值= 2.9122估计的函数评估时间= 33.6594使用并行池“local”评估高表达式:-通过1 / 2:在0.26秒完成,通过2 2:在0.26秒完成评估在0.84秒完成评估高表达使用并行池“当地”:——通过1 7:在0.31秒完成,通过2 7:在0.25秒完成,通过3 7:在0.75秒完成,通过4 7:在1.2秒完成,通过5 7:在0.45秒完成,通过6 7:在0.69秒完成,通过7 7:在1.2秒完成评估在5.7秒完成评估高表达式使用并行池“当地”:——通过1 7:在0.28秒完成,通过2 7:在0.24秒完成,通过3 7:在0.75秒完成,通过4 7:在1.2秒完成,通过5 7:在0.46秒完成,通过6 7:在0.67秒完成,通过7 7:在1.2秒完成评估在5.6秒完成评估高表达式使用并行池“当地”:——通过1 7:在0.32秒完成,通过2 7:在0.25秒完成,通过3 7:在0.71秒完成,通过4 7:在1.2秒完成,通过5 7:在0.47秒完成,通过6 7:在0.66秒完成,通过7 7:在1.2秒完成评估在5.6秒完成评估高表达使用并行池“当地”:——通过1 7:在0.29秒完成,通过2 7:在0.25秒完成,通过3 7:在0.73秒完成,通过4 7:在1.2秒完成,通过5 7:在0.46秒完成,通过6 7:在0.68秒完成,通过7 7:在1.2秒完成评估在5.5秒完成评估高表达使用并行池“当地”:——通过1 7:在0.27秒完成,通过2 7:在0.25秒完成,通过3 7:在0.75秒完成,通过4 7:在1.2秒完成,通过5 7:在0.47秒完成,通过6 7:在0.69秒完成,通过7 7:在1.2秒完成评估在5.6秒完成

Mdl = CompactRegressionTree ResponseName: 'Y' CategoricalPredictors: [] ResponseTransform: 'none'属性，方法

FitInfo =不带字段的结构。

HyperparameterOptimizationResults = BayesianOptimization with properties: ObjectiveFcn: @createObjFcn/tallObjFcn variabledescription: [3×1 optimizableVariable] Options: [1×1 struct] MinObjective: 2.9048 XAtMinObjective: [1×1 table] minestimatedobjobjective: 2.9122 xatminestimatedobjobjective: [1×1 table] numobjectiveevaluts30 TotalElapsedTime: 882.5668 NextPoint: [1×1 table] XTrace: [30×1 table] ObjectiveTrace: [30×1 double] ConstraintsTrace: [] UserDataTrace:{30×1 cell} ObjectiveEvaluationTimeTrace: [30×1 double] IterationTimeTrace: [30×1 double] ErrorTrace: [30×1 double]可行性跟踪:[30×1 logical]可行性概率跟踪:[30×1 double] IndexOfMinimumTrace: [30×1 double] objectivminimumtrace: [30×1 double] estimatedobjectivminimumtrace: [30×1 double]

输入参数

全部折叠

`资源描述`- - - - - -样本数据
表格

用于训练模型的样例数据，指定为表。每一行资源描述对应一个观察结果，每一列对应一个预测变量。可选地,资源描述可以为响应变量包含一个附加列。不允许多列变量和字符向量的单元格数组以外的单元格数组。

如果资源描述包含响应变量，并且希望在中使用所有剩余变量资源描述作为预测器，然后通过使用指定响应变量ResponseVarName．
如果资源描述包含响应变量，并且您希望仅使用其余变量的子集资源描述作为预测器，然后用指定公式公式．
如果资源描述不包含响应变量，则使用Y．中的响应变量的长度和行数资源描述必须是平等的。

数据类型:表格

`ResponseVarName`- - - - - -响应变量名
变量的名称`资源描述`

中指定为变量名的响应变量名资源描述．响应变量必须是一个数字向量。

您必须指定ResponseVarName作为字符向量或字符串标量。例如，如果资源描述存储响应变量Y作为资源描述。Y，然后将其指定为“Y”．的所有列资源描述,包括Y，作为训练模型时的预测因子。

数据类型:字符|字符串

`公式`- - - - - -响应变量和预测变量子集的解释模型
特征向量|字符串标量

响应变量和预测变量子集的解释模型，在形式中指定为字符向量或字符串标量“Y ~ x1 + x2 + x3”．在这种形式中，Y表示响应变量，和x1，x2,x3表示预测变量。

中指定变量的子集资源描述使用公式作为训练模型的预测因子。如果您指定了一个公式，那么该软件将不使用任何变量资源描述没有出现在公式．

公式中的变量名必须是资源描述（Tbl.Properties.VariableNames)和有效的MATLAB^®标识符。中的变量名可以进行验证资源描述通过使用isvarname函数。如果变量名无效，则可以使用matlab.lang.makeValidName函数。

数据类型:字符|字符串

`Y`- - - - - -响应数据
数值列向量

响应数据，指定为具有相同行数的数值列向量X．每一项Y对应行中的数据是否响应X．

软件会考虑南值Y丢失的值fitrtree不使用缺失值的观察Y在fit中。

数据类型:单|双

`X`- - - - - -预测数据
数字矩阵

预测数据，指定为数值矩阵。每一栏X表示一个变量，每一行表示一个观察结果。

fitrtree认为南值X作为缺失的值。fitrtree不使用所有缺失值的观察X在fit中。fitrtree使用带有某些缺失值的观察值X找出这些观察值有有效值的变量的分割。

数据类型:单|双

名称-值参数

指定逗号分隔的可选对名称,值参数。的名字参数名称和价值对应的值。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．

例子:“CrossVal”,“上”、“MinParentSize”,30岁指定一个交叉验证的回归树，每个分支节点至少有30个观察值。

请注意

方法不能使用任何交叉验证名称-值参数“OptimizeHyperparameters”名称-值参数。的交叉验证“OptimizeHyperparameters”只有使用“HyperparameterOptimizationOptions”名称-值参数。

模型参数

全部折叠

`CategoricalPredictors`- - - - - -分类预测器列表
正整数向量|逻辑向量|字符矩阵|字符串数组|字符向量的单元格数组|`“所有”`

类别预测器列表，指定为此表中的值之一。

价值	描述
正整数向量	向量中的每个条目都是一个索引值，指示对应的预测器是分类的。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`fitrtree`使用输入变量的子集作为预测器，然后函数只使用该子集对预测器进行索引。的`CategoricalPredictors`值不计算响应变量、观察权重变量或函数没有使用的任何其他变量。
逻辑向量	一个`真正的`入口意味着对应的预测因子是绝对的。向量的长度是`p`．
字符矩阵	矩阵的每一行都是一个预测变量的名称。中的条目名称必须匹配`PredictorNames`．用额外的空格填充名字，这样字符矩阵的每一行都有相同的长度。
字符向量的字符串数组或单元格数组	数组中的每个元素都是一个预测变量的名称。中的条目名称必须匹配`PredictorNames`．
`“所有”`	所有的预测都是绝对的。

默认情况下，如果预测器数据在表中(资源描述)，fitrtree如果变量是逻辑向量、无序分类向量、字符数组、字符串数组或字符向量的单元格数组，则假定该变量是分类的。如果预测器数据是一个矩阵(X)，fitrtree假设所有的预测器都是连续的。要将任何其他预测器标识为类别预测器，请使用“CategoricalPredictors”名称-值参数。

例子:“CategoricalPredictors”、“所有”

数据类型:单|双|逻辑|字符|字符串|细胞

`MaxDepth`- - - - - -最大树深
正整数

最大树深度，指定为逗号分隔的对，由“MaxDepth”一个正整数。为这个参数指定一个值，以返回一个具有更少的层数并且需要更少的通过高数组进行计算的树。的算法fitrtree对数据进行一次遍历，并对每个树级别进行额外的遍历。默认情况下，该函数不设置树的最大深度。

请注意

此选项仅适用于使用fitrtree在高数组上。看到高大的数组更多信息。

`MergeLeaves`- - - - - -叶合并标志
`“上”`(默认)|`“关闭”`

叶合并标志，指定为逗号分隔的对，由“MergeLeaves”而且“上”或“关闭”．

如果MergeLeaves是“上”,然后fitrtree：

合并来自同一父节点并产生大于或等于与父节点关联的风险值的总和的叶
估计剪枝子树的最佳序列，但不剪枝回归树

否则,fitrtree不合并叶子。

例子:“MergeLeaves”,“关闭”

`MinParentSize`- - - - - -最小分支节点观察数
`10`(默认)|正整数

分支节点观察的最小数目，指定为逗号分隔的对，由“MinParentSize”和一个正整数值。树中的每个分支节点至少有MinParentSize观察。如果两者都提供MinParentSize而且MinLeafSize，fitrtree使用给出较大叶子的设置:MinParentSize = max(MinParentSize,2*MinLeafSize)．

例子:“MinParentSize”,8

数据类型:单|双

`NumBins`- - - - - -数值预测器的箱数
`［］`(空的)(默认)|正整数标量

数值预测器的箱数，指定为逗号分隔的对，由“NumBins”和一个正整数标量。

如果“NumBins”Value为空(默认值)fitrtree不丢弃任何预测器。
如果指定“NumBins”值作为正整数标量(numBins),然后fitrtree最多将每个数字预测器分类numBins等概率箱子，然后在箱子指数上生长树，而不是原始数据。
- 箱子的数量可以小于numBins如果预测因子小于numBins独特的价值观。
- fitrtree不丢弃绝对预测器。

当您使用大型训练数据集时，此分箱选项会加速训练，但可能会导致潜在的准确性下降。你可以试试“NumBins”,50岁首先，然后根据准确率和训练速度改变值。

经过训练的模型将桶边存储在BinEdges财产。

例子:“NumBins”,50岁

数据类型:单|双

`PredictorNames`- - - - - -预测器变量名
唯一名称的字符串数组|唯一字符向量的单元格数组

预测器变量名，指定为惟一名称的字符串数组或惟一字符向量的单元格数组。的功能PredictorNames这取决于你提供训练数据的方式。

如果你提供X而且Y，然后你可以使用PredictorNames中的预测变量指定名称X．
- 名字的顺序PredictorNames的列顺序必须对应X．也就是说,PredictorNames {1}是X (: 1)，PredictorNames {2}是X (:, 2)，等等。同时,大小(X, 2)而且元素个数(PredictorNames)必须是平等的。
- 默认情况下,PredictorNames是{x1, x2,…}．
如果你提供资源描述，然后你可以使用PredictorNames选择在训练中使用的预测变量。也就是说,fitrtree中的预测变量PredictorNames训练过程中的响应变量。
- PredictorNames的子集Tbl.Properties.VariableNames和不能包含响应变量的名称。
- 默认情况下,PredictorNames包含所有预测变量的名称。
- 一个好的实践是使用任意一种方法指定训练的预测器PredictorNames或公式，但不是两者都有。

例子:“PredictorNames”(“SepalLength”、“SepalWidth”,“PetalLength”,“PetalWidth”)

数据类型:字符串|细胞

`PredictorSelection`- - - - - -选择最佳分割预测器的算法
`“allsplits”`(默认)|`“弯曲”`|`“interaction-curvature”`

用于在每个节点上选择最佳分割预测器的算法，指定为逗号分隔的对，由“PredictorSelection”和这个表中的一个值。

价值	描述
`“allsplits”`	标准CART -选择分裂预测器，使分裂准则增益在所有预测器的所有可能分裂中最大化［1］．
`“弯曲”`	弯曲测试—选择最小的分裂预测器p-各预测因子与响应之间独立性卡方检验的值[２]．训练速度与标准CART相似。
`“interaction-curvature”`	交互测试-选择最小的分割预测器p每个预测器与响应(即进行曲率检验)之间独立性的卡方检验的-值，从而使p-每对预测因子与响应之间独立性卡方检验的值[２]．训练速度可以比标准CART慢。

为“弯曲”而且“interaction-curvature”，如果所有测试都合格p-值大于0.05，则fitrtree停止分裂节点。

提示

标准CART倾向于选择包含许多不同值的分裂预测器，如连续变量，而不是包含少量不同值的预测器，如类别变量[3]．如果以下任何一个是正确的，考虑指定曲率或交互测试:
- 如果预测器的不同值相对少于其他预测器，例如，如果预测器数据集是异构的。
- 如果你的目标是分析预测器的重要性。有关预测器重要性估计的更多信息，请参见predictorImportance而且特征选择介绍．
使用标准CART生长的树木对预测变量的相互作用不敏感。此外，与交互测试的应用相比，这种树不太可能在存在许多不相关预测因素的情况下识别重要变量。因此，为了解释预测器的相互作用并在存在许多不相关变量的情况下识别重要变量，指定相互作用检验。
的值不影响预测速度“PredictorSelection”．

有关如何fitrtree选择拆分预测器，参见节点分裂规则而且选择分裂预测器选择技术．

例子:“PredictorSelection”、“弯曲”

`修剪`- - - - - -标记来估计修剪子树的最佳序列
`“上”`(默认)|`“关闭”`

标记估计修剪子树的最佳序列，指定为逗号分隔的对，由“删除”而且“上”或“关闭”．

如果修剪是“上”,然后fitrtree生长回归树并估计经过修剪的子树的最佳序列，但不修剪回归树。否则,fitrtree生长回归树，而不估计剪枝子树的最佳序列。

要修剪经过训练的回归树，将回归树传递给修剪．

例子:“删除”,“关闭”

`PruneCriterion`- - - - - -修剪的标准
`mse的`(默认)

剪枝准则，指定为逗号分隔的对，由“PruneCriterion”而且mse的．

`QuadraticErrorTolerance`- - - - - -二次容错
`1 e-6`(默认)|正标量值

每个节点的二次误差容忍，指定为逗号分隔的对，由“QuadraticErrorTolerance”一个正的标量值。当每个节点的加权均方误差降至以下时，函数停止分裂节点QuadraticErrorTolerance *ε,在那里ε是加权均方误差吗n在增长决策树之前计算的响应。

$ε ＝ \sum_{我＝ 1}^{n} w_{我} {（ y_{我} - \bar{y} ）}^{2} ．$

w_我是观察的重量吗我，假设所有观察值的权重之和为1 ( $\sum_{我＝ 1}^{n} w_{我} ＝ 1$ ),

$\bar{y} ＝ \sum_{我＝ 1}^{n} w_{我} y_{我}$

是所有回答的加权平均值。

有关节点拆分的详细信息，请参见节点分裂规则．

例子:“QuadraticErrorTolerance”,1的军医

`可再生的`- - - - - -标志以强制可重复性
`假`(逻辑`0`）(默认)|`真正的`(逻辑`1`）

标志，在模型的重复训练中强制再现性，指定为逗号分隔的对，由“复制”,要么假或真正的．

如果“NumVariablesToSample”不是“所有”，然后该软件为每次分割随机选择预测器。要重新生成随机选择，必须指定“重现”,真的并设置随机数生成器的种子rng．注意设置“复制”来真正的会减慢训练速度。

例子:“重现”,真的

数据类型:逻辑

`ResponseName`- - - - - -响应变量名
`“Y”`(默认)|特征向量|字符串标量

响应变量名，指定为字符向量或字符串标量。

如果你提供Y，然后你可以使用ResponseName为响应变量指定名称。
如果你提供ResponseVarName或公式，那么你就不能使用ResponseName．

例子:“ResponseName”、“反应”

数据类型:字符|字符串

`ResponseTransform`- - - - - -响应转换
`“没有”`(默认)|函数处理

响应转换，指定为两者之一“没有”或者一个函数句柄。默认为“没有”，这意味着@ (y) y，或者不进行变换。对于MATLAB函数或您定义的函数，使用它的函数句柄进行响应变换。函数句柄必须接受一个向量(原始响应值)并返回一个相同大小的向量(转换后的响应值)。

例子:假设您创建了一个函数句柄，它将指数变换应用于输入向量Myfunction = @(y)exp(y)．然后，您可以将响应转换指定为myfunction ResponseTransform,．

数据类型:字符|字符串|function_handle

`SplitCriterion`- - - - - -划分的标准
`MSE的`(默认)

分割条件，指定为逗号分隔的对，由“SplitCriterion”而且MSE的，表示均方误差。

例子:“SplitCriterion”、“MSE的

`代理`- - - - - -代理决策分裂标志
`“关闭”`(默认)|`“上”`|`“所有”`|正整数

代理决策拆分标志，指定为逗号分隔的对，由“代孕”而且“上”，“关闭”，“所有”，或正整数。

当“上”，fitrtree在每个分支节点上最多查找10个代理拆分。
当设置为正整数时，fitrtree在每个分支节点上最多查找指定数量的代理拆分。
当设置为“所有”，fitrtree查找每个分支节点上的所有代理分割。的“所有”设置会占用大量时间和内存。

使用代理分割来提高对缺少值的数据的预测精度。该设置还使您能够计算预测器之间预测关联的度量。

例子:“代孕”,“上”

数据类型:单|双|字符|字符串

`权重`- - - - - -观察权重
`(大小(X, 1), 1)`(默认)|标量值向量|变量的名称`资源描述`

观察权值，用逗号分隔的对表示“重量”和标量值的向量或者变量的名称资源描述．软件对每一行的观察结果进行加权X或资源描述的对应值权重．的大小权重必须等于中的行数X或资源描述．

如果将输入数据指定为表资源描述,然后权重变量的名称可以在资源描述它包含一个数字向量。在这种情况下，您必须指定权重作为字符向量或字符串标量。例如，如果权重向量W存储为资源描述。W，然后将其指定为' W '．的所有列资源描述,包括W，作为训练模型时的预测因子。

fitrtree的值规范化权重加起来等于1

数据类型:单|双|字符|字符串

交叉验证

全部折叠

`CrossVal`- - - - - -交叉验证标志
`“关闭”`(默认)|`“上”`

交叉验证标志，指定为逗号分隔的对，由“CrossVal”,要么“上”或“关闭”．

如果“上”，fitrtree生长具有10个折叠的交叉验证决策树。方法之一可以覆盖此交叉验证设置“KFold”，“坚持”，“Leaveout”,或“CVPartition”名称-值对参数。您只能使用以下四个选项中的一个(“KFold”，“坚持”，“Leaveout”,或“CVPartition”)在创建交叉验证树时。

另外,旨在树稍后使用crossval方法。

例子:“CrossVal”,“上”

`CVPartition`- - - - - -用于交叉验证树的分区
`cvpartition`对象

用于交叉验证树的分区，指定为逗号分隔的对，由“CVPartition”和使用创建的对象cvpartition．

如果你使用“CVPartition”，您不能使用任何“KFold”，“坚持”,或“Leaveout”名称-值对参数。

`坚持`- - - - - -保留验证的部分数据
`0`(默认)|范围内的标量值`[0, 1]`

用于抵制验证的数据的一部分，指定为逗号分隔的对，由“坚持”和值域内的标量值[0, 1]．坚持验证对数据的指定部分进行测试，并使用其余数据进行训练。

如果你使用“坚持”，您不能使用任何“CVPartition”，“KFold”,或“Leaveout”名称-值对参数。

例子:“坚持”,0.1

数据类型:单|双

`KFold`- - - - - -折叠数
`10`(默认)|大于1的正整数

交叉验证树中要使用的折叠数，指定为逗号分隔的对，由“KFold”和一个大于1的正整数。

如果你使用“KFold”，您不能使用任何“CVPartition”，“坚持”,或“Leaveout”名称-值对参数。

例子:“KFold”,8

数据类型:单|双

`Leaveout`- - - - - -保留一个交叉验证标志
`“关闭”`(默认)|`“上”`

省略一个交叉验证标志，指定为逗号分隔的对，由“Leaveout”,要么“上”或的假．通过设置为来使用保留一个交叉验证“上”．

如果你使用“Leaveout”，您不能使用任何“CVPartition”，“坚持”,或“KFold”名称-值对参数。

例子:“Leaveout”,“上”

Hyperparameters

全部折叠

`MaxNumSplits`- - - - - -决策分割的最大数目
`size(X,1) - 1`(默认)|正整数

决策分割(或分支节点)的最大数目，指定为逗号分隔的对，由“MaxNumSplits”一个正整数。fitrtree分裂MaxNumSplits或者更少的分支节点。有关拆分行为的详细信息，请参见树深控制．

例子:“MaxNumSplits”,5

数据类型:单|双

`MinLeafSize`- - - - - -最小叶节点观察数
`1`(默认)|正整数

叶节点观察值的最小数目，指定为逗号分隔的对，由“MinLeafSize”和一个正整数值。每片叶子至少有一个MinLeafSize每片树叶的观察结果。如果两者都提供MinParentSize而且MinLeafSize，fitrtree使用给出较大叶子的设置:MinParentSize = max(MinParentSize,2*MinLeafSize)．

例子:“MinLeafSize”,3

数据类型:单|双

`NumVariablesToSample`- - - - - -为每次拆分随机选择预测器的数量
`“所有”`(默认)|正整数

为每次分割随机选择的预测器的数量，指定为逗号分隔的对，由“NumVariablesToSample”和一个正整数值。或者，您也可以指定“所有”使用所有可用的预测器。

如果训练数据包含许多预测因子，并且您想要分析预测因子的重要性，那么指定“NumVariablesToSample”作为“所有”．否则，软件可能没有选择一些预测因素，低估了它们的重要性。

要重新生成随机选择，必须使用rng并指定“重现”,真的．

例子:“NumVariablesToSample”,3

数据类型:字符|字符串|单|双

Hyperparameter优化

全部折叠

`OptimizeHyperparameters`- - - - - -待优化参数
`“没有”`(默认)|`“汽车”`|`“所有”`|合格参数名称的字符串数组或单元格数组|向量的`optimizableVariable`对象

参数要优化，指定为逗号分隔的对，由“OptimizeHyperparameters”和以下其中之一:

“没有”-不要优化。
“汽车”——使用{' MinLeafSize '}．
“所有”—优化所有符合条件的参数。
合格参数名称的字符串数组或单元格数组。
向量的optimizableVariable的输出hyperparameters．

优化尝试最小化交叉验证的损失(错误)fitrtree通过改变参数。要控制交叉验证类型和优化的其他方面，请使用HyperparameterOptimizationOptions名称-值对。

请注意

的价值“OptimizeHyperparameters”覆盖使用其他名称-值参数指定的任何值。例如，设置“OptimizeHyperparameters”来“汽车”原因fitrtree参数对应的超参数“汽车”选项，并忽略超参数的任何指定值。

符合条件的参数fitrtree是:

MaxNumSplits- - - - - -fitrtree在整数之间搜索，默认情况下在范围内按对数缩放NumObservations-1[1,马克斯(2))．
MinLeafSize- - - - - -fitrtree在整数之间搜索，默认情况下在范围内按对数缩放[1,马克斯(2楼(NumObservations / 2)))．
NumVariablesToSample- - - - - -fitrtree不会对这个超参数进行优化。如果你通过了NumVariablesToSample作为参数名，fitrtree简单地使用全部数量的预测器。然而,fitrensemble对这个超参数进行优化。

通过传递vector来设置非默认参数optimizableVariable具有非默认值的对象。例如,

负载carsmall参数=超参数(“fitrtree”(功率、重量),MPG);参数(1)。Range = [1,30];

通过参数个数的价值OptimizeHyperparameters．

默认情况下，迭代显示出现在命令行中，并根据优化中的超参数的数量显示图形。对于优化和绘图，目标函数为Log(1 +交叉验证损失)．要控制迭代显示，请设置详细的的字段“HyperparameterOptimizationOptions”名称-值参数。要控制情节，设置ShowPlots的字段“HyperparameterOptimizationOptions”名称-值参数。

示例请参见优化回归树．

例子:“汽车”

`HyperparameterOptimizationOptions`- - - - - -优化选项
结构

优化选项，指定为结构。的效果OptimizeHyperparameters名称-值参数。结构中的所有字段都是可选的。

字段名	值	默认的
`优化器`	`“bayesopt”`-使用贝叶斯优化。在内部，这个设置调用`bayesopt`． `“gridsearch”`-使用网格搜索`NumGridDivisions`每个维度的值。 `“randomsearch”`-在其中随机搜索`MaxObjectiveEvaluations`点。 `“gridsearch”`以随机顺序进行搜索，使用统一采样而不从网格中替换。优化后，可以使用该命令获得网格顺序的表`sortrows (Mdl.HyperparameterOptimizationResults)`．	`“bayesopt”`
`AcquisitionFunctionName`	`“expected-improvement-per-second-plus”` `“expected-improvement”` `“expected-improvement-plus”` `“expected-improvement-per-second”` `“lower-confidence-bound”` `“probability-of-improvement”` 获取函数，其名称包括`每秒`不会产生可重复的结果，因为优化依赖于目标函数的运行时间。获取函数，其名称包括`+`当他们过度开发某一区域时，修改他们的行为。有关更多细节，请参见采集功能类型．	`“expected-improvement-per-second-plus”`
`MaxObjectiveEvaluations`	目标函数评价的最大次数。	`30.`为`“bayesopt”`而且`“randomsearch”`，和整个网格`“gridsearch”`
`MaxTime`	时间限制，指定为正实标量。时间限制以秒为单位，用`抽搐`而且`toc`．运行时间可以超过`MaxTime`因为`MaxTime`不会中断函数的计算。	`正`
`NumGridDivisions`	为`“gridsearch”`，表示每个维度的值的个数。该值可以是一个给出每个维度值数量的正整数向量，也可以是一个适用于所有维度的标量。对于类别变量，该字段将被忽略。	`10`
`ShowPlots`	指示是否显示图形的逻辑值。如果`真正的`，该字段根据迭代次数绘制最佳观测目标函数值。如果你使用贝叶斯优化(`优化器`是`“bayesopt”`)，则该字段也绘制出最佳估计的目标函数值。最佳观测目标函数值和最佳估计目标函数值对应于`BestSoFar(观察)`而且`BestSoFar (estim)。`列的迭代显示，分别。您可以在属性中找到这些值`ObjectiveMinimumTrace`而且`EstimatedObjectiveMinimumTrace`的`Mdl。HyperparameterOptimizationResults`．如果问题包含一个或两个优化参数的贝叶斯优化，那么`ShowPlots`并根据参数绘制了目标函数模型。	`真正的`
`SaveIntermediateResults`	指示何时是否保存结果的逻辑值`优化器`是`“bayesopt”`．如果`真正的`，该字段将覆盖名为`“BayesoptResults”`在每次迭代中。变量是a`BayesianOptimization`对象。	`假`
`详细的`	在命令行显示: `0`-无迭代显示 `1`-迭代显示 `2`-迭代显示额外的信息详细信息请参见`bayesopt详细的`名称-值参数和示例使用贝叶斯优化优化分类器拟合．	`1`
`UseParallel`	指示是否并行运行贝叶斯优化的逻辑值，这需要并行计算工具箱™。由于并行时序的不可再现性，并行贝叶斯优化不一定产生可再现的结果。详情请参见并行贝叶斯优化．	`假`
`重新分区`	指示是否在每次迭代时重新划分交叉验证的逻辑值。如果这个字段是`假`，优化器使用单个分区进行优化。设置`真正的`通常给出最健壮的结果，因为它考虑了分区噪声。然而，为了得到好的结果，`真正的`需要至少两倍的函数求值。	`假`
只使用以下三个选项中的一个。
`CVPartition`	一个`cvpartition`对象，如由`cvpartition`	`“Kfold”,5`如果不指定交叉验证字段
`坚持`	范围内的标量`(0,1)`表示抵制分数
`Kfold`	大于1的整数

例子:“HyperparameterOptimizationOptions”、结构(MaxObjectiveEvaluations, 60)

数据类型:结构体

输出参数

全部折叠

`树`-回归树
回归树对象

回归树，作为回归树对象返回。使用“Crossval”，“KFold”，“坚持”，“Leaveout”,或“CVPartition”Options会生成一个类树RegressionPartitionedModel．您不能使用分区树进行预测，因此这种树没有预测方法。

否则,树是一流的RegressionTree，您可以使用预测方法进行预测。

提示

默认情况下,修剪是“上”．然而，该规范并不修剪回归树。要修剪经过训练的回归树，将回归树传递给修剪．
在训练一个模型之后，您可以生成预测新数据响应的C/ c++代码。生成C/ c++代码需要MATLAB编码器™．详情请参见代码生成简介．

算法

全部折叠

节点分裂规则

fitrtree使用这些进程来确定如何拆分节点t．

对于标准CART(即ifPredictorSelection是“allpairs”)和所有预测器x_我，我= 1,…,p：
1. fitrtree计算节点响应的加权均方误差(MSE)t使用
  
  $ε_{t} ＝ \sum_{j \in T} w_{j} {（ y_{j} - {\bar{y}}_{t} ）}^{2} ．$
  
  w_j是观察的重量吗j,T所有观察指标的集合是否都在节点中t．如果不指定权重,然后w_j= 1 /n,在那里n是样本容量。
2. fitrtree估计一个观测点在节点上的概率t使用
  
  $P （ T ）＝ \sum_{j \in T} w_{j} ．$
3. fitrtree排序x_我按升序排列。排序预测器的每个元素都是一个分裂候选点或切点。fitrtree记录与集合中缺失值对应的任何索引T_U，即未分割集。
4. fitrtree确定分割节点的最佳方法t使用x_我通过最大限度地减少MSE (Δ我)而不是所有分裂的候选人。也就是说，所有分裂的候选人x_我：
  1. fitrtree在节点中拆分观察结果t到左右子节点(t_l而且t_R分别)。
  2. fitrtree计算Δ我．假设对于一个分裂的候选人，t_l而且t_R集合中包含观测指标T_l而且T_R,分别。
    
    如果x_我不包含任何缺失值，则当前分裂候选的MSE减少为
    
    $Δ 我＝ P （ T ） ε_{t} - P （ T_{l} ） ε_{t_{l}} - P （ T_{R} ） ε_{t_{R}} ．$
    
    如果x_我包含缺失值，那么，假设观测值是随机缺失的，则MSE的减少量为
    
    $Δ 我_{U} ＝ P （ T - T_{U} ） ε_{t} - P （ T_{l} ） ε_{t_{l}} - P （ T_{R} ） ε_{t_{R}} ．$
    
    T- - - - - -T_U所有观察指标的集合是否都在节点中t没有丢失。
    
    如果你使用代理决策分裂,那么:
    
    fitrtree计算联想的预测方法决定之间的分歧x_j<u所有可能的决策分裂x_k<v，j≠k．
    
    fitrtree根据与最优分割的关联的预测度量，将可能的备选决策分割按降序排序。代理分割是产生最大度量的决策分割。
    
    fitrtree决定缺少值的观察的子节点赋值x_我使用代理拆分。如果代理预测器也包含一个缺失的值，则fitrtree使用第二大度量的决策分割，以此类推，直到没有其他替代。这是可能的fitrtree在节点上拆分两个不同的观察结果t使用两个不同的代理分割。例如，假设预测器x₁而且x₂预测者的最佳和次最佳替代品分别是什么x_我，我结果:结果结果为:结果结果为:结果结果为:{1,2}t．如果观察米的预测x_我缺失(即，x_心肌梗死是失踪的)，但是x_米1不就是失踪吗x₁是观察的替代预测因子吗x_心肌梗死．如果观察x_{（米+ 1),我}而且x（米+ 1),1都不见了，但是x_{（米+ 1), 2}不就是失踪吗x₂是观察的替代预测因子吗米+ 1。
    
    fitrtree使用适当的MSE约简公式。也就是说，如果fitrtree无法分配节点中所有缺失的观察值t使用代理分割到子节点，则MSE约减为Δ我_U．否则,fitrtree使用Δ我的MSE减小。
  3. fitrtree选择MSE降低最大的候选人。
fitrtree在最大限度地降低MSE的切点处分割预测变量。
对于曲率测试(即，如果PredictorSelection是“弯曲”)：
1. fitrtree计算残差 $r_{t 我} ＝ y_{t 我} - {\bar{y}}_{t}$ 对于节点中的所有观测值t． ${\bar{y}}_{t} ＝ \frac{1}{\sum_{我} w_{我}} \sum_{我} w_{我} y_{t 我}$ ，为节点中响应的加权平均值t．权重是观察权重权重．
2. fitrtree根据相应残差的符号将观测值分配到两个箱中的一个。让z_t作为一个名义变量，它包含节点中观察值的bin赋值t．
3. fitrtree进行弯曲测试在每个预测器和之间z_t．对于回归树，K= 2。
  - 如果所有p-值至少是0.05，那么fitrtree不会分裂节点t．
  - 如果有一个最小值p值,然后fitrtree选择相应的预测器拆分节点t．
  - 如果不止一个p-value为零，由于下溢，则fitrtree将标准CART应用到相应的预测器上，选择分割预测器。
4. 如果fitrtree选择一个分割预测器，然后使用标准CART来选择切割点(参见标准CART过程中的步骤4)。
对于交互测试(即，如果PredictorSelection是“interaction-curvature”)：
1. 对于节点上的观测t，fitrtree进行弯曲测试在每个预测因子和响应之间交互测试在每一对预测器和响应之间。
  - 如果所有p-值至少是0.05，那么fitrtree不会分裂节点t．
  - 如果有一个最小值p-value，它是曲率测试的结果，则fitrtree选择相应的预测器拆分节点t．
  - 如果有一个最小值p，那么它就是一个交互测试的结果fitrtree在相应的一对预测器上使用标准CART选择分割预测器。
  - 如果不止一个p-value为零，由于下溢，则fitrtree将标准CART应用到相应的预测器上，选择分割预测器。
2. 如果fitrtree选择一个分割预测器，然后使用标准CART来选择切割点(参见标准CART过程中的步骤4)。

树深控制

如果MergeLeaves是“上”而且PruneCriterion是mse的(这是这些名称-值对参数的默认值)，然后软件只对叶子应用修剪，并使用MSE。该规范相当于合并来自同一父节点的叶，其MSE最多为其两个叶的MSE之和。
以适应MaxNumSplits，fitrtree拆分当前中的所有节点层，然后计算分支节点的数量。层是与根节点等距的节点集合。如果分支节点数量超过MaxNumSplits，fitrtree遵循以下程序:
1. 确定当前层中必须拆分的分支节点的数量，使其最多不拆分MaxNumSplits分支节点。
2. 根据分支节点的杂质增益对其进行排序。
3. 分解最不成功的分支的数量。
4. 返回目前生长的决策树。
这个过程产生最大平衡的树。
该软件一层一层地拆分分支节点，直到至少发生以下事件之一:
- 有MaxNumSplits分支节点。
- 建议的拆分导致至少一个分支节点中的观察数少于MinParentSize．
- 建议的拆分导致至少一个叶节点中的观察数少于MinLeafSize．
- 算法不能在一个层内找到一个好的分割(即，剪枝准则(参见PruneCriterion)，不会对一个层中的所有建议分割进行改进)。一个特殊的情况是所有节点都是纯节点(即，节点中的所有观察都具有相同的类)。
- 对于价值观“弯曲”或“interaction-curvature”的PredictorSelection，所有测试结果p-值大于0.05。
MaxNumSplits而且MinLeafSize不影响按默认值拆分。因此，如果你设置“MaxNumSplits”，拆分可能会由于的值而停止MinParentSize之前,MaxNumSplits将发生。

并行化

对于双核及以上系统，fitrtree利用Intel并行化训练决策树^®线程构建块(TBB)。有关Intel TBB的详细信息，请参见https://software.intel.com/content/www/us/en/develop/tools/oneapi/components/onetbb.html．

参考文献

[1]布莱曼，L.， J.弗里德曼，R.奥申，C.斯通。分类与回归树．佛罗里达州博卡拉顿:CRC出版社，1984。

[2] Loh, W.Y.《无偏变量选择与交互检测回归树》。Statistica中央研究院2002年，第12卷，第361-386页。

[3]陆伟镛及施耀生。分类树的分裂选择方法。Statistica中央研究院， 1997年第7卷，第815-840页。

扩展功能

高大的数组
使用行数超过内存容量的数组进行计算。

使用注意事项和限制:

有关更多信息，请参见高大的数组．

自动平行支撑金宝app
通过使用并行计算工具箱™自动并行运行计算来加速代码。

要执行并行超参数优化，请使用“HyperparameterOptimizationOptions”、结构(UseParallel,真的)类调用中的名称-值参数fitrtree函数。

有关并行超参数优化的更多信息，请参见并行贝叶斯优化．

有关并行计算的一般信息，请参见运行MATLAB函数与自动并行支持金宝app(并行计算工具箱)．

GPU数组
通过使用并行计算工具箱™在图形处理单元(GPU)上运行来加速代码。

使用注意事项和限制:

fitrtree不支持分类预测器。金宝app您可以指定名称-值参数“CategoricalPredictors”仅作为空数组。
fitrtree不支持代理拆分。金宝app您可以指定名称-值参数“代孕”只有当“关闭”．
您可以指定名称-值参数“PredictorSelection”只有当“allsplits”．
fitrtree对于更深层次的决策树，GPU上的执行速度可能不会比CPU快。可以通过指定名称-值参数来设置决策树深度“MaxNumSplits”作为(2 ^深度)1．

有关更多信息，请参见在图形处理器上运行MATLAB函数(并行计算工具箱)．

另请参阅

预测|RegressionPartitionedModel|RegressionTree|修剪|surrogateAssociation

主题

分类树中分类预测器的分裂

在R2014a中介绍

fitrtree

语法

描述

例子

构建回归树

控制回归树深度

优化回归树

无偏预测器重要性估计

在高数组上控制树的最大深度

优化高数组上的回归树

输入参数

资源描述- - - - - -样本数据表格

ResponseVarName- - - - - -响应变量名变量的名称资源描述

公式- - - - - -响应变量和预测变量子集的解释模型特征向量|字符串标量

Y- - - - - -响应数据数值列向量

X- - - - - -预测数据数字矩阵

名称-值参数

CategoricalPredictors- - - - - -分类预测器列表正整数向量|逻辑向量|字符矩阵|字符串数组|字符向量的单元格数组|“所有”

MaxDepth- - - - - -最大树深正整数

MergeLeaves- - - - - -叶合并标志“上”(默认)|“关闭”

MinParentSize- - - - - -最小分支节点观察数10(默认)|正整数

NumBins- - - - - -数值预测器的箱数［］(空的)(默认)|正整数标量

PredictorNames- - - - - -预测器变量名唯一名称的字符串数组|唯一字符向量的单元格数组

PredictorSelection- - - - - -选择最佳分割预测器的算法“allsplits”(默认)|“弯曲”|“interaction-curvature”

修剪- - - - - -标记来估计修剪子树的最佳序列“上”(默认)|“关闭”

PruneCriterion- - - - - -修剪的标准mse的(默认)

QuadraticErrorTolerance- - - - - -二次容错1 e-6(默认)|正标量值

可再生的- - - - - -标志以强制可重复性假(逻辑0）(默认)|真正的(逻辑1）

ResponseName- - - - - -响应变量名“Y”(默认)|特征向量|字符串标量

ResponseTransform- - - - - -响应转换“没有”(默认)|函数处理

SplitCriterion- - - - - -划分的标准MSE的(默认)

代理- - - - - -代理决策分裂标志“关闭”(默认)|“上”|“所有”|正整数

权重- - - - - -观察权重(大小(X, 1), 1)(默认)|标量值向量|变量的名称资源描述

CrossVal- - - - - -交叉验证标志“关闭”(默认)|“上”

CVPartition- - - - - -用于交叉验证树的分区cvpartition对象

坚持- - - - - -保留验证的部分数据0(默认)|范围内的标量值[0, 1]

KFold- - - - - -折叠数10(默认)|大于1的正整数

Leaveout- - - - - -保留一个交叉验证标志“关闭”(默认)|“上”

MaxNumSplits- - - - - -决策分割的最大数目size(X,1) - 1(默认)|正整数

MinLeafSize- - - - - -最小叶节点观察数1(默认)|正整数

NumVariablesToSample- - - - - -为每次拆分随机选择预测器的数量“所有”(默认)|正整数

OptimizeHyperparameters- - - - - -待优化参数“没有”(默认)|“汽车”|“所有”|合格参数名称的字符串数组或单元格数组|向量的optimizableVariable对象

HyperparameterOptimizationOptions- - - - - -优化选项结构

输出参数

树-回归树回归树对象

更多关于

弯曲测试

交互测试

联想预测法

代理决策分割

提示

算法

节点分裂规则

树深控制

并行化

参考文献

扩展功能

高大的数组使用行数超过内存容量的数组进行计算。

自动平行支撑金宝app通过使用并行计算工具箱™自动并行运行计算来加速代码。

GPU数组通过使用并行计算工具箱™在图形处理单元(GPU)上运行来加速代码。

另请参阅

主题

统计和机器学习工具箱文档

金宝app

掌握机器学习:MATLAB的一步一步指南

`资源描述`- - - - - -样本数据
表格

`ResponseVarName`- - - - - -响应变量名
变量的名称`资源描述`

`公式`- - - - - -响应变量和预测变量子集的解释模型
特征向量|字符串标量

`Y`- - - - - -响应数据
数值列向量

`X`- - - - - -预测数据
数字矩阵

`CategoricalPredictors`- - - - - -分类预测器列表
正整数向量|逻辑向量|字符矩阵|字符串数组|字符向量的单元格数组|`“所有”`

`MaxDepth`- - - - - -最大树深
正整数

`MergeLeaves`- - - - - -叶合并标志
`“上”`(默认)|`“关闭”`

`MinParentSize`- - - - - -最小分支节点观察数
`10`(默认)|正整数

`NumBins`- - - - - -数值预测器的箱数
`［］`(空的)(默认)|正整数标量

`PredictorNames`- - - - - -预测器变量名
唯一名称的字符串数组|唯一字符向量的单元格数组

`PredictorSelection`- - - - - -选择最佳分割预测器的算法
`“allsplits”`(默认)|`“弯曲”`|`“interaction-curvature”`

`修剪`- - - - - -标记来估计修剪子树的最佳序列
`“上”`(默认)|`“关闭”`

`PruneCriterion`- - - - - -修剪的标准
`mse的`(默认)

`QuadraticErrorTolerance`- - - - - -二次容错
`1 e-6`(默认)|正标量值

`可再生的`- - - - - -标志以强制可重复性
`假`(逻辑`0`）(默认)|`真正的`(逻辑`1`）

`ResponseName`- - - - - -响应变量名
`“Y”`(默认)|特征向量|字符串标量

`ResponseTransform`- - - - - -响应转换
`“没有”`(默认)|函数处理

`SplitCriterion`- - - - - -划分的标准
`MSE的`(默认)

`代理`- - - - - -代理决策分裂标志
`“关闭”`(默认)|`“上”`|`“所有”`|正整数

`权重`- - - - - -观察权重
`(大小(X, 1), 1)`(默认)|标量值向量|变量的名称`资源描述`

`CrossVal`- - - - - -交叉验证标志
`“关闭”`(默认)|`“上”`

`CVPartition`- - - - - -用于交叉验证树的分区
`cvpartition`对象

`坚持`- - - - - -保留验证的部分数据
`0`(默认)|范围内的标量值`[0, 1]`

`KFold`- - - - - -折叠数
`10`(默认)|大于1的正整数

`Leaveout`- - - - - -保留一个交叉验证标志
`“关闭”`(默认)|`“上”`

`MaxNumSplits`- - - - - -决策分割的最大数目
`size(X,1) - 1`(默认)|正整数

`MinLeafSize`- - - - - -最小叶节点观察数
`1`(默认)|正整数

`NumVariablesToSample`- - - - - -为每次拆分随机选择预测器的数量
`“所有”`(默认)|正整数

`OptimizeHyperparameters`- - - - - -待优化参数
`“没有”`(默认)|`“汽车”`|`“所有”`|合格参数名称的字符串数组或单元格数组|向量的`optimizableVariable`对象

`HyperparameterOptimizationOptions`- - - - - -优化选项
结构

`树`-回归树
回归树对象

高大的数组
使用行数超过内存容量的数组进行计算。

自动平行支撑金宝app
通过使用并行计算工具箱™自动并行运行计算来加速代码。

GPU数组
通过使用并行计算工具箱™在图形处理单元(GPU)上运行来加速代码。