主要内容

CompactRegressionTree

包裹:classreg.learning.regr.

紧凑的回归树

描述

压缩版的回归树(类)回归植物).精简版不包括用于训练回归树的数据。因此,您不能使用紧凑的回归树执行某些任务,例如交叉验证。使用紧凑的回归树对新数据进行预测(回归)。

建设

Ctree.=紧凑(的)从完整的决策树构造紧凑的决策树。

输入参数

展开全部

完整的,经过训练的回归树,指定为回归植物由此构建的对象Fitrtree.

特性

分类预算

分类预测指标,指定为一个正整数向量。分类预算包含指示对应的预测器是分类的索引值。索引值在1到之间P., 在哪里P.是用于训练模型的预测器数量。如果没有预测器都是分类的,则此属性为空([]).

CategoricalSplit

一个N.-by-2单元阵列,在哪里N.分类分割的数量在吗.在每一行CategoricalSplit为分类分割提供左值和右值。对每个分支节点进行分类分割j基于分类预测变量Z.,则选择左子结点Z.是在类别分类(J,1)选择正确的子结点,如果Z.是在类别分类(J,2).分割与树的节点相同。可以通过运行找到这些拆分的节点cuttype.并选择'分类'从上到下切割。

孩子们

一个N.-by-2数组,其中包含每个节点的子节点编号, 在哪里N.为节点数。叶节点有子节点0.

CutCategories

一个N.中分支使用的类别的单元格数组, 在哪里N.为节点数。对于每个分支节点一世基于分类预测变量X,则选择左子结点X在哪些类别中CutCategories{1},我如果如果是,则选择合适的孩子X是其中列出的cutcategories {i,2}.两列CutCategories对于基于连续预测器的分支节点和叶节点为空。

切口包含切割点'连续'削减和CutCategories包含该组类别。

切口

一个N.元素向量的值用作切入点, 在哪里N.为节点数。对于每个分支节点一世基于连续的预测变量X,则选择左子结点切口选择正确的子结点,如果x> =切口(i)切口对于基于分类预测器和叶节点的分支节点。

CutType

一个N.-Element Cell阵列,指示每个节点处的切口类型, 在哪里N.为节点数。对于每个节点一世cuttype {i}是:

  • '连续'- 如果切割是在表单中定义的X 对于变量X和切割点V.

  • '分类'- 如果切割是由变量定义的X在一组类别中取得一个值。

  • ''——如果一世是叶节点。

切口包含切割点'连续'削减和CutCategories包含该组类别。

Cutpredictor.

一个N.- 用于在每个节点中分支的变量的名称的单个单元格数组, 在哪里N.为节点数。这些变量有时被称为减少变量.叶节点,Cutpredictor.包含空字符向量。

切口包含切割点'连续'削减和CutCategories包含该组类别。

CutPredictorIndex

一个N.中的每个节点中用于分支的变量的数字索引数组, 在哪里N.为节点数。有关更多信息,请参见Cutpredictor.

ExpandedPredictornames.

扩展的预测器名称,存储为字符向量的单元格数组。

如果模型使用对分类变量的编码,那么ExpandedPredictornames.包括描述扩展变量的名称。除此以外,ExpandedPredictornames.是相同的预测的人

isbranchnode.

一个N.-element逻辑矢量IB.那是真正的对于每个分支节点和错误的的每个叶节点

nodeError.

一个N.元向量E.节点的错误, 在哪里N.为节点数。E(i)是节点的错误分类概率一世

寡码

一个N.-element数字数组,每个节点中的平均值, 在哪里N.是树中的节点数量。每个元素寡码是真实的平均值y在节点中的所有观察结果上的值。

NodeProbability

一个N.元向量P.节点的概率, 在哪里N.为节点数。节点的概率被计算为来自满足节点条件的原始数据的观察的比例。针对分配给每个类的任何先前概率调整此比例。

Noderisk.

一个N.-element vector的树是树中的节点的风险,其中N.为节点数。每个节点的风险是由节点概率加权的节点误差。

节点化

一个N.元向量大小的节点大小, 在哪里N.为节点数。节点的大小定义为用于创建满足节点条件的树的数据的观察数。

numnodes.

节点数N.

父母

一个N.元向量P.包含每个节点的父节点的数量, 在哪里N.为节点数。根节点的父节点是0.

预测的人

预测变量的一个小区名称,按照它们出现的顺序X

PruneAlpha

数值矢量与每修剪水平的一个元素。如果修剪级别范围为0到M., 然后PruneAlphaM.+ 1个以升序排序的元素。Prunealpha(1)是用于修剪水平0(没有修剪),Prunealpha(2)用于修剪级别1,以此类推。

梅尔格莱斯

一个N.的每个节点中具有修剪级别的元素数值向量, 在哪里N.为节点数。修剪水平范围为0(无修剪)M., 在哪里M.是最深叶和根节点之间的距离。

ractoreName.

响应变量的名称y,字符向量。

ResponseTransform

用于转换原始响应值的功能句柄(均方误​​差)。函数句柄必须接受响应值的矩阵并返回相同大小的矩阵。默认值'没有任何'方法@ x (x),或没有转型。

添加或更改ResponseTransform使用点表示法的功能:

ctree。ResponseTransform = @函数

surrogatecutcategories.

一个N.- 用于代理分裂的类别的单元格阵列, 在哪里N.节点数在吗.对于每个节点K.surrogatecutcategories {k}是一个小区阵列。的长度surrogatecutcategories {k}等于在该节点上找到的代理预测器的数量。每个元素的surrogatecutcategories {k}是连续代理预测器的空字符向量,或者是一个双元素单元阵列,其中包含分类代理预测器的类别。此双元素单元格阵列的第一个元素列出了此代理拆分分配给左子子的类别,以及此代理拆分分配给右侧子项的两个元素列出的类别。每个节点处的替代分类变量的顺序与变量顺序匹配surrogatecutprepictor..这个节点上的最优分割变量不会出现。对于非支链(叶)节点,surrogatecutcategories.包含一个空单元格。

SurrogateCutFlip

一个N.用于代理拆分的数字切割赋值的单元格数组, 在哪里N.节点数在吗.对于每个节点K.SurrogateCutFlip {k}是一个数字向量。的长度SurrogateCutFlip {k}等于在该节点上找到的代理预测器的数量。每个元素的SurrogateCutFlip {k}用于分类代理预测器的零,或用于连续代理预测器的数字切割分配。数值切割分配可以是-1或+1。对于每个替代品分裂,用数字剪切C基于连续的预测变量Z.,则选择左子结点Z.<C这个代理分割的切割赋值是+1,或者Z.C而这个替代斯普利特的削减分配是-1。同样,如果选择合适的孩子Z.C这个代理分割的切割赋值是+1,或者Z.<C而这个替代斯普利特的削减分配是-1。每个节点处的替代分类变量的顺序与变量顺序匹配surrogatecutprepictor..这个节点上的最优分割变量不会出现。对于非支链(叶)节点,SurrogateCutFlip包含一个空数组。

SurrogateCutPoint

一个N.用于代理的数值的单元格数组, 在哪里N.节点数在吗.对于每个节点K.SurrogateCutPoint {k}是一个数字向量。的长度SurrogateCutPoint {k}等于在该节点上找到的代理预测器的数量。每个元素的SurrogateCutPoint {k}或者是对于分类代理预测器,或用于连续代理预测器的数字切割。对于每个替代品分裂,用数字剪切C基于连续的预测变量Z.,则选择左子结点Z.<CSurrogateCutFlip对于这个替代品拆分是+1,或者如果Z.CSurrogateCutFlip对于这个替代品拆分是-1。同样,如果选择合适的孩子Z.CSurrogateCutFlip对于这个替代品拆分是+1,或者如果Z.<CSurrogateCutFlip对于这个替代品拆分是-1。每个节点处的替代分类变量的顺序与返回的变量顺序匹配SurrogateCutVar.这个节点上的最优分割变量不会出现。对于非支链(叶)节点,SurrogateCutPoint包含一个空单元格。

surrogatecuttype.

一个N.-element小区阵列,指示每个节点处的代理分裂类型, 在哪里N.节点数在吗.对于每个节点K.surrogatecuttype {k}是一个单元数组,具有此节点处的代理分割变量的类型。变量按照与最优预测器关联的预测量降序排序,只包含具有正向预测量的变量。每个节点处的替代分类变量的顺序与变量顺序匹配surrogatecutprepictor..这个节点上的最优分割变量不会出现。对于非支链(叶)节点,surrogatecuttype.包含一个空单元格。代理分割类型可以是以下两种'连续'如果切割是以表格中定义的Z.<V.对于变量Z.和切割点V.'分类'如果削减是由是否Z.在一组类别中取得一个值。

surrogatecutprepictor.

一个N.- 用于在每个节点中用于代理分割的变量名称的单元格数组, 在哪里N.节点数在吗.每个元素的surrogatecutprepictor.是一个单元格数组,其中包含此节点上的代理项拆分变量的名称。变量按照与最优预测器关联的预测量降序排序,只包含具有正向预测量的变量。这个节点上的最优分割变量不会出现。对于非支链(叶)节点,surrogatecutprepictor.包含一个空单元格。

SurrogatePredictorAssociation

一个N.-Element细胞阵列的替代分裂关联的预测措施, 在哪里N.节点数在吗.对于每个节点K.替代商品分类分类{k}是一个数字向量。的长度替代商品分类分类{k}等于在该节点上找到的代理预测器的数量。每个元素的替代商品分类分类{k}提供最佳分裂与此替代分裂之间的关联的预测措施。每个节点处的替代分类变量的顺序是变量的顺序surrogatecutprepictor..这个节点上的最优分割变量不会出现。对于非支链(叶)节点,SurrogatePredictorAssociation包含一个空单元格。

对象功能

收集 收集的属性统计和机器学习工具箱对象从GPU
酸橙 本地可解释模型 - 不可知的解释(石灰)
损失 回归错误
部分竞争 计算部分依赖
情节依存 创建部分依赖绘图(PDP)和个人有条件期望(ICE)绘图
预测 使用回归树预测响应
预测算法 对回归树预测的重要性估计
福芙 沙普利值
Trustogateassociation. 回归树中替代分裂关联关联的平均预测措施
更新 更新代码生成的模型参数
视图 查看回归树

复制语义

价值。要了解值类如何影响复制操作,请参见复制对象

例子

全部收缩

加载示例数据。

加载carsmall

构造一个样本数据的回归树。

[重量,气缸],MPG,...“MinParentSize”, 20岁,...'predictornames', {'W'“C”});

制作一个紧凑的树。

ctree =紧凑(树);

比较紧凑树和完整树的大小。

t =谁(“树”);%t.bytes =以字节为单位的大小c = whos(“ctree”);% c.bytes = ctree的大小[c。字节t.bytes]
ANS =.1×24311 7558

小型树小于全树。

扩展功能

也可以看看

||

介绍了R2011a