RegressionEnsemble

パッケ，ジ:classreg.learning.regr
ス，パ，クラス:CompactRegressionEnsemble

アンサンブル回帰

説明

RegressionEnsemble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，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

アンサンブル回帰オブジェクトを作成するには，fitrensembleを使用します。

プロパティ

`BinEdges`	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 cell 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 cell 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`“NumBins”`として正の整数スカラ，を指定した場合だけです。`“NumBins”`の値が空(既定)である場合，`BinEdges`プロパティは空になります。学習済みモデル`mdl`の`BinEdges`プロパティを使用することにより，ビン化された予測子デ，タ`Xbinned`を再現できます。 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;结束数値予測子の場合，1からビンの個数までの範囲にあるビンのンデックスが`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。
`CategoricalPredictors`	カテゴリカル予測子の@ @ンデックス。正の整数のベクトルとして指定します。`CategoricalPredictors`には，対応する予測子がカテゴリカルであることを示す。ンデックス値の範囲は1 ~`p`です。`p`はモデルの学習に使用した予測子の数です。どの予測子もカテゴリカルではない場合、このプロパティは空(`［］`)になります。
`CombineWeights`	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。
`ExpandedPredictorNames`	展開された予測子名。文字ベクトルのcell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，ディングを使用している場合，`ExpandedPredictorNames`には展開された変数を表す名前が格納されます。それ以外の場合，`ExpandedPredictorNames`は`PredictorNames`と同じです。
`FitInfo`	近似情報の数値配列。`FitInfoDescription`プロパティは，この配列の内容を記述します。
`FitInfoDescription`	配列`FitInfo`の意味を表す文字ベクトル。
`LearnerNames`	アンサンブルに含まれている弱学習器の名前をも文字ベクトルのcell配列。各学習器の名前は一度だけ現れます。たとえば，リが100本のアンサンブルの場合は，`LearnerNames`は`{'树'}`になります。
`HyperparameterOptimizationResults`	ハパパラメタの交差検証最適化の説明。`BayesianOptimization`オブジェクト，またはハパパラメタおよび関連する値が含まれているテブルとして格納されます。作成時に名前と値のペア`OptimizeHyperparameters`が空ではない場合，これは空ではありません。値は，作成時の名前と値のペア`HyperparameterOptimizationOptions`の設定によって決まります。 `“bayesopt”`(既定)-`BayesianOptimization`クラスのオブジェクト `“gridsearch”`または`“randomsearch”`——使用したハイパーパラメーター,観測された目的関数の値(交差検証損失),および最低(最良)から最高(最悪)までの観測値の順位が格納されているテーブル
`方法`	`fitrensemble`がアンサンブル学習に使用したアルゴリズムの名前をも文字ベクトル。
`ModelParameters`	`实体`の学習に使用されるパラメタ。
`NumObservations`	学習デタにある観測値の数を含む数値スカラ。
`NumTrained`	アンサンブル学習済みの学習器の数，正のスカラ。
`PredictorNames`	予測子変数の名前のcell配列。並びは`X`に現れる順です。
`ReasonForTermination`	`fitrensemble`がアンサンブルへの弱学習器の追加を停止した理由を表す文字ベクトル。
`正则化`	`规范`メソッドの結果を含む構造体。`正则化`とともに`缩小`を使用して，再代入誤差を削減し，アンサンブルを縮小します。
`ResponseName`	応答変数`Y`の名前をも文字ベクトル。
`ResponseTransform`	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。`“没有”`は変換なしを意味します。等価的には，`“没有”`は`@ x (x)`です。ドット表記を使用して関数`ResponseTransform`を追加または変更します。 ens.ResponseTransform = @function
`训练有素的`	学習済みの学習器，コンパクトな回帰モデルの单元格配列。
`TrainedWeights`	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。
`W`	スケ，ルされた`权重`，長さ`n`のベクトル，`X`の行の数。`W`の要素の合計は`1`です。
`X`	アンサンブルに学習させた予測子の値の行列または表。`X`の各列が1の変数を表し，各行が1。
`Y`	アンサンブルを学習させた`X`と同じ行数をも，数値列ベクトル。`Y`の各エントリは`X`の対応する行のデ，タに対する応答です。

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
`收集`	Gpuからの统计和机器学习工具箱オブジェクトのプロパティの収集
`石灰`	局部可解释模型不可知解释(LIME)
`损失`	回帰誤差
`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，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，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
`重新开始`	学習アンサンブルの再開
`沙普利`	シャプレ値
`缩小`	アンサンブルでの枝刈り

コピ，のセマンティクス

値。値のクラスがコピ操作に与える影響にいては，オブジェクトのコピを参照してください。

例

すべて折りたたむ

ブ，スティング回帰アンサンブルの学習

ラ@ @ブスクリプトを開く

carsmallデ，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 =[重量钢瓶];Y = mpg;

LSBoost法を使用して，100本の回帰木があるブ，スティングアンサンブルに学習をさせます。气缸がカテゴリカル変数であることを指定します。

Mdl = fitrensemble(X,Y，“方法”，“LSBoost”，.．.“PredictorNames”, {' W '，“C”}，“CategoricalPredictors”, 2)

Mdl = RegressionEnsemble PredictorNames: {'W' 'C'} ResponseName: 'Y' CategoricalPredictors: 2 ResponseTransform: 'none' NumObservations: 94 NumTrained: 100 Method: 'LSBoost' LearnerNames: {'Tree'} reasonforterminate: '完成所要求的训练周期数后正常终止。'FitInfo: [100x1 double] FitInfoDescription: {2x1 cell}正则化:[]属性，方法

Mdlは，学習デ，タも含まれているRegressionEnsemble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回帰木(CompactRegressionTreeモデルオブジェクト)の100行1列の细胞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は木のブ，スティングアンサンブルに対して浅い木を成長させます。

気筒数が4,6,8である4000ポンドの自動車の燃費を予測します。

XNew = [4000*ones(3,1)] [4;6;8]];mpgNew = predict(Mdl,XNew)

mpgNew =3×119.5926 18.6388 15.4810

ヒント

回帰木のアンサンブルの場合，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cell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

C/ c++コ，ド生成
MATLAB®Coder™を使用してCおよびc++コドを生成します。

使用上の注意事項および制限事項:

関数预测はコ，ド生成をサポ，トします。
金宝app^®にアンサンブルの予測を統合するには,统计和机器学习工具箱™ライブラリにあるRegressionEnsemble预测ブロックを使用するか，matlab^®功能ブロックを関数预测と共に使用します。
fitrensembleを使用してアンサンブルに学習をさせる場合,回帰木のコード生成の制限は,回帰木のアンサンブルにも適用されます。詳細にいては，CompactRegressionTreeクラスのコ，ド生成を参照してください。

詳細は，コ，ド生成の紹介を参照してください。

Gpu配列
并行计算工具箱™を使用してグラフィックス処理装置(GPU)上で実行することにより,コードを高速化します。

使用上の注意事項および制限事項:

次のオブジェクト関数はgpu配列を完全にサポ，トしています。
次のオブジェクト関数はgpu配列のサポ，トに制限があります。
オブジェクト関数は次のいずれかに該当する場合にgpuで実行されます。
- モデルがgpu配列を使用して当てはめられている。
- オブジェクト関数に渡す予測子デタがgpu配列である。
- オブジェクト関数に渡す応答デタがgpu配列である。