このページの翻訳は最新ではありません。ここをクリックして,英語の最新版を参照してください。
RegressionBaggedEnsemble
パッケージ:classreg.learning.regr
スーパークラス:RegressionEnsemble
リサンプリングにより成長したアンサンブル回帰
説明
RegressionBaggedEnsembleは,学習済みの弱学習器モデルのセット,およびそれらの学習器が学習を行ったデータを結合します。この関数では,弱学習器からの予測を集約することにより,新しいデータに対するアンサンブル応答を予測できます。
構築
バギング回帰アンサンブルオブジェクトを作成するには,fitrensembleを使用します。バギング(ランダムフォレストなどのバギング)を使用するには,fitrensembleの名前と値のペアの引数“方法”を“包”に設定します。
プロパティ
|
数値予測子のビンのエッジ。p個の数値ベクトルが含まれている细胞配列を指定します。pは予測子の個数です。各ベクトルには,数値予測子のビンのエッジを含めます。カテゴリカル予測子はビン化されないので,カテゴリカル予測子の場合は,この细胞配列の要素を空にします。 数値予測子がビン化されるのは,木学習器を使用してモデルに学習をさせるときに名前と値の引数 学習済みモデル X = mdl.X;%预测数据Xbinned = 0 (size(X));边缘= mdl.BinEdges;找到被分类的预测器的指数。idxNumeric =找到(~ cellfun (@isempty边缘));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 istable(x) x = table2array(x);将x组到bin中
Xbinnedに格納されます。カテゴリカル予測子の場合,Xbinnedの値は0になります。Xに南が含まれている場合,対応するXbinnedの値は南になります。 |
|
カテゴリカル予測子のインデックス。正の整数のベクトルを指定します。 |
|
アンサンブルが学習器の予測を結合する方法を表す文字ベクトル。 |
|
展開された予測子名。文字ベクトルの细胞配列として格納されます。 モデルがカテゴリカル変数用のエンコーディングを使用している場合, |
|
近似情報の数値配列。 |
|
配列 |
|
|
|
ハイパーパラメーターの交差検証最適化の説明。
|
|
アンサンブルに含まれている弱学習器の名前をもつ文字ベクトルの细胞配列。各学習器の名前は一度だけ現れます。たとえば,ツリーが100本のアンサンブルの場合は, |
|
|
|
|
|
学習データにある観測値の数を含む数値スカラー。 |
|
アンサンブル学習済みの学習器の数,正のスカラー。 |
|
予測子変数の名前の细胞配列。並びは |
|
|
|
|
|
このアンサンブル内の弱学習器の学習データが復元抽出されたかどうかを示す,論理フラグ。 |
|
応答変数 |
|
スコア変換用の関数ハンドル,または組み込みの変換関数を表す文字ベクトル。 ドット表記を使用して関数 ens.ResponseTransform = @function |
|
学習済みの学習器,コンパクトな回帰モデルの细胞配列。 |
|
アンサンブルが学習器に割り当てた重みの数値ベクトル。アンサンブルは,学習器からの重み付き予測を集約することによって,予測される応答を計算します。 |
|
|
|
スケールされた |
|
アンサンブルに学習させた予測子の値の行列または表。 |
|
アンサンブルを学習させた |
オブジェクト関数
紧凑的 |
コンパクトなアンサンブル回帰の作成 |
crossval |
交差検証を使用したアンサンブル |
cvshrink |
縮小(枝刈り)アンサンブルの交差検証 |
石灰 |
本地可解释模型不可知解释(LIME) |
损失 |
回帰誤差 |
oobLoss |
out-of-bag回帰誤差 |
oobPermutedPredictorImportance |
回帰木のランダムフォレストに対するout-of-bag予測子の並べ替えによる予測子の重要度の推定 |
oobPredict |
アンサンブルのout-of-bag応答を予測する |
partialDependence |
部分従属の計算 |
plotPartialDependence |
部分依存プロット(PDP)および個別条件付き期待値(ICE)プロットの作成 |
预测 |
回帰モデルのアンサンブルの使用による応答の予測 |
predictorImportance |
回帰アンサンブルの予測子の重要度の推定 |
规范 |
再代入誤差とペナルティー項を最小限にするための重み検索 |
removeLearners |
コンパクトアンサンブル回帰のメンバーの削除 |
resubLoss |
再代入による回帰誤差 |
resubPredict |
再代入によるアンサンブル応答の予測 |
的简历 |
学習アンサンブルの再開 |
沙普利 |
シャープレイ値 |
缩小 |
アンサンブルでの枝刈り |
コピーのセマンティクス
値。値のクラスがコピー操作に与える影響については,オブジェクトのコピーを参照してください。
例
回帰木のバギングアンサンブルに学習をさせる
carsmallデータセットを読み込みます。重量 (重量)と気筒数(气缸)を使用して自動車の燃費(英里/加仑)を説明するモデルを考えます。
负载carsmallX =[重量圆柱体];Y = MPG;
すべての測定値を使用して,100本の回帰木によるバギングアンサンブルに学習をさせます。
Mdl = fitrensemble (X, Y,“方法”，“包”）
Mdl = RegressionBaggedEnsemble ResponseName: 'Y' CategoricalPredictors: [] ResponseTransform: 'none' NumObservations: 94 NumTrained: 100 Method: 'Bag' LearnerNames: {'Tree'} ReasonForTermination: '在完成请求的训练周期数后正常终止。'FitInfo: [] FitInfoDescription: 'None' Regularization: [] FResample: 1 Replace: 1 UseObsForLearner: [94x100 logical] Properties, Methods .正则化:[]FResample: 1 Replace: 1 UseObsForLearner: [94x100 logical]属性，方法
MdlはRegressionBaggedEnsembleモデルオブジェクトです。
Mdl。训练有素的は,アンサンブルを構成する学習済みのコンパクトな回帰木(CompactRegressionTreeモデルオブジェクト)の100行1列のセルベクトルが格納されているプロパティです。
1番目の学習済み回帰木のグラフをプロットします。
视图(Mdl。训练有素的{1},“模式”，“图”）
既定の設定では,fitrensembleは袋树に対して木を深く成長させます。
標本内平均二乗誤差(MSE)を推定します。
L = resubLoss (Mdl)
L = 12.4048
ヒント
回帰木のバギングアンサンブルの場合,实体の训练有素的プロパティにはens.NumTrained個のCompactRegressionTreeモデルオブジェクトの细胞ベクトルが格納されます。细胞ベクトルの木tをテキストまたはグラフィックで表示するには,次のように入力します。
视图(ens.Trained {t})
拡張機能
你也可以从以下列表中选择一个网站:
