フィッシャーのアヤメのデータセットを読み込みます。

负载鱼腥草

データセット全体を使用して、バギング分類木のアンサンブルに学習をさせます。50个の弱学习器を指定します。木ごとにバギングしない観测値の情报を格纳します。

rng (1);%的再现性Mdl = TreeBagger(50、量、物种,'OOBPrediction',“开”,......“方法”,'分类')

Mdl=TreeBagger集合和50个袋装决策树：训练X:[150x4]训练Y:[150x1]方法：分类NumPredictors:4 NumPredictors样本：2 MinLeaveSize:1 InBagFraction:1 SampleWithReplacement:1 ComputeoobPredictors:1 ComputeoobPredictors重要性：0邻近性：[]类名：“setosa”“versicolor”“virginica”属性、方法

MdlはTreeBaggerアンサンブルです。

Mdl。树には,アンサンブルを構成する学習済み分類木(紧分类树モデルオブジェクト)の50行1列の细胞ベクトルが格納されます。

1.番目の学習済み分類木のグラフをプロットします。

视图(Mdl。{1},“模式”,'图形')

既定の設定では、TreeBaggerは木を深く成長させます。

Mdl。OOBIndicesには，乱袋インデックスが论理値の行列として格纳されます。

现成的誤差を、成長した分類木の数にプロットします。

图;oobErrorBaggedEnsemble = oobError (Mdl);情节(oobErrorBaggedEnsemble)包含“已长成的树的数量”；ylabel“乱袋分类错误”；

成長した分類木の数が増加すると、现成的誤差は減少します。

out-of-bagの観測値にラベル付けするには,MdlをoobPredictに渡します。

卡斯莫尔データセットを読み込みます。与えられたエンジン排気量に対して自動車の燃費を予測するモデルを考えます。

负载卡斯莫尔

データセット全体を使用して,バギング回帰木のアンサンブルに学習をさせます。100年個の弱学習器を指定します。

rng (1);%的再现性MDL = TreeBagger（100，位移，MPG，“方法”,“回归”）;

MdlはTreeBaggerアンサンブルです。

学习済みの回的树木帰の袋を使用すると，条件付き平均応答の推定や，分位点回帰の実行による条件付き分位の予测が可能です。

標本内の最小値と最大値の間で10等分したエンジン排気量について,条件付き平均応答と条件付き四分位数を予測します。

predX = linspace (min(位移),max(位移),10)';predX mpgMean =预测(Mdl);mpgQuartiles = quantilePredict (Mdl predX,“分位数”,[0.25,0.5,0.75]);

観測値、推定された平均応答および四分位数を同じ 图形にプロットします。

图;情节(位移,英里/加仑,“o”)；持有在情节（predX，mpgMean）;情节（predX，mpgQuartiles）;ylabel（的燃油经济性）;包含('发动机排量'）;传奇(“数据”,“平均响应”,“第一个四分位数”,“中值”,“第三四分位数”）;

卡斯莫尔データセットを読み込みます。与えられた加速、気筒数、エンジン排気量、馬力、製造業者、モデル年および重量に対して自動車の燃費の平均を予測するモデルを考えます。气瓶、制造行业およびModel_Yearはカテゴリカル変数であるとします。

负载卡斯莫尔气缸=分类(缸);及时通知=分类(cellstr (Mfg));Model_Year =分类(Model_Year);X =表(加速、气缸、排量、马力、制造行业,......Model_Year、重量、MPG);rng (“默认”）;%的再现性

カテゴリカル変数で表现されるカテゴリの个数を表示します。

numCylinders =元素个数(类别(气缸))

numCylinders = 3

numMfg=numel（类别（制造））

numMfg = 28

numModelYear = numel（类别（Model_Year））

numModelYear=3

气瓶とModel_Yearには3つしかカテゴリがないので,予測子分割アルゴリズムの標準购物车ではこの2つの変数よりも連続予測子が分割されます。

データセット全体を使用して、200本の回帰木のランダム フォレストに学習をさせます。偏りの無い木を成長させるため、予測子の分割に曲率検定を使用するよう指定します。データには欠損値が含まれているので、代理分岐を使用するよう指定します。予測子の重要度の推定に関する 现成的情報を格納します。

Mdl = TreeBagger (200 X,“MPG”,“方法”,“回归”,“代孕”,“开”,......“PredictorSelection”,“曲率”,“OOBPredictorImportance”,“开”）;

TreeBaggerは,予測子の重要度の推定をOOBPermutedPredictorDeltaErrorプロパティに格納します。棒グラフを使用して推定を比較します。

小鬼= Mdl.OOBPermutedPredictorDeltaError;图;酒吧(imp);标题（“弯曲测试”）;ylabel（的预测估计的重要性）;包含(“预测因素”）;甘氨胆酸h =;h.XTickLabel = Mdl.PredictorNames;h.XTickLabelRotation = 45;h.TickLabelInterpreter =“没有”；

このケースでは,最も重要な予測子はModel_Yearであり,次に重要なのは重量です。

標準 运货马车を使用して木を成長させるランダム フォレストから計算された予測子の重要度の推定と小鬼とを比较します。

MdlCART=TreeBagger（200，X，“MPG”,“方法”,“回归”,“代孕”,“开”,......“OOBPredictorImportance”,“开”）;impCART = MdlCART.OOBPermutedPredictorDeltaError;图;巴（impCART）;标题（“标准购物车”）;ylabel（的预测估计的重要性）;包含(“预测因素”）;甘氨胆酸h =;h.XTickLabel = Mdl.PredictorNames;h.XTickLabelRotation = 45;h.TickLabelInterpreter =“没有”；

このケースでは,最も重要な予測子は連続予測子重量です。次に重要な2つの予测子はModel_Yearと、ほぼ同程度の連続予測子马力です。

高配列内の観測値に対するバギング分類木のアンサンブルに学習をさせ,観測値に重みを付けてモデル内の各木の誤分類確率を求めます。標本データセットairlinesmall.csvは,飛行機のフライトデータについての表形式ファイルが含まれている大規模なデータセットです。

高配列に対する計算を実行する場合,MATLAB®は並列プール(并行计算工具箱™がある場合は既定)またはローカルのMATLABセッションを使用します。并行计算工具箱がある場合にローカルのMATLABセッションを使用して例を実行するには,関数mapreduceを使用してグローバルな実行環境を変更します。

地图还原程序（0）

データセットが含まれているフォルダーの场所を参照するデータストアを作成します。处理する変数のサブセットを选択します。数据存储で楠値に置き换えるため，“NA”値を欠損データとして扱います。データストア内のデータを含む高表を作成します。

DS =数据存储区（'airlinesmall.csv'）;ds。selectedVariableNames = {“月”,“DayofMonth”,“DayOfWeek”,......“DepTime”,'ArrDelay',“距离”,“德布雷”};ds。TreatAsMissing =“NA”；tt =高(ds)%高桌

TT = MX7高大表月DAYOFMONTH DAYOFWEEK DepTime ArrDelay距离DepDelay _____ __________ _________ _______ ________ ________ ________ 10 21 3 642 8 308 12 10 26 1 1021 8 296 1 10 23 5 2055 21 480 20 10 23 5 1332 13 296 12 10 22 4629 4 373 -1 10 28 3 1446 59 308 63 10 8 4 928 3 447 10 -2 10 6 859 11 954 -1：：：：：：：：：：：：：：

フライトが遅れた場合に真になる論理変数を定義することにより,10分以上遅れたフライトを判別します。この変数にクラスラベルを含めます。この変数のプレビューには,はじめの数行が含まれています。

Y = tt。DepDelay > 10%的类标签

Y = Mx1 tall logical array 1 0 1 1 0 1 0 0::

予测子データの高的配列を作成します。

X = tt {: 1: end-1}%预测数据

X=Mx6高双矩阵102364283081028182961025205205521480102351332129610242629443731028314461593081084928344474471010685911954:：：：：：

クラス1の観測値に2倍の重みを任意に割り当てることにより,観測値の重みに対する高配列を作成します。

W = Y + 1;%的重量

欠損データが含まれているX、YおよびWの行を削除します。

R = rmmissing([X Y W]);％数据去掉缺少的项X = R (:, 1: end-2);Y = R (:, end-1);W = R(:,结束);

データセット全体を使用して,20本のバギングされた決定木のアンサンブルに学習をさせます。重みベクトルと一様な事前確率を指定します。再現性を得るため,rngとtallrngを使用して乱数発生器のシードを设定します.tall配列の场合，ワーカーの个数と実行环境によって结果が异なる可能性があります。详细については，コードの実行場所の制御を参照してください。

rng (“默认”) tallrng (“默认”tMdl = TreeBagger(20,X,Y，)“重量”W,“之前”,'制服')

评估使用本地MATLAB会话高表达： - 通的1 1：在1.2秒评价完成在1.5秒完成评估使用本地MATLAB会话高表达： - 的1遍1：在2.5秒评价完成在2.7秒完成评价高通的1 1  - ：：使用本地MATLAB会话表达在6秒评价完成在6秒完成

TMDL = CompactTreeBagger合奏用20个袋装决策树：方法：分类NumPredictors：6类名： '0' '1' 的属性，方法

tMdlは，20本のバギングされた决定木による紧凑式架桥机アンサンブルです。

モデル内の各木の誤分類確率を計算します。名前と値のペアの引数“重量”を使用して,ベクトルWに格納されている重みを各観測値に適用します。

TERR =错误（TMDL，X，Y，“重量”W)

评估使用本地MATLAB会话高表达： - 通的1至1：9.5秒评价完成在9.6秒完成

恐怖分子=20×10.1420 0.1214 0.1115 0.1078 0.1037 0.1027 0.1005 0.0997 0.0981 0.0983⋮

決定木のアンサンブルについて,平均の誤分類確率を求めます。

avg_terr =平均值（TERR）

avg_terr = 0.1022