主要内容

重新公开

重新结算回归损失

在页面中崩溃

    句法

    l =重新公开（MDL）
    l = resubloss（MDL，名称，值）

    描述

    例子

    l=重新公开（MDL）返回经过训练的回归模型的重生（L）或样本中回归损失的回归损失MDL使用存储在mdl.x以及存储在mdl.y。

    解释l取决于损失函数（“ LossFun”）和加权方案（MDL.W）。通常，更好的模型产生较小的损失值。默认值“ LossFun”值是'MSE'（平均平方错误）。

    例子

    l=重新公开（MDL，，，，名称，价值）使用一个或多个名称值参数指定其他选项。例如，“包括Internatractions”，False指定从广义加性模型中排除交互项MDL。

    例子

    全部收缩

    打开实时脚本

    训练广义添加剂模型（GAM），然后使用均方误差（MSE）来计算重结式损失。

    加载耐心数据集。

    加载耐心

    创建一个包含预测变量的表（年龄，，，，舒张期，，，，吸烟者，，，，重量，，，，性别，，，，自我评估healthstatus）和响应变量（收缩期）。

    tbl =表（年龄，舒张期，吸烟者，体重，性别，自我评估healthStatus，收缩期）;

    培训一个单变量GAM，其中包含了预测指标的线性术语TBL。

    mdl = fitrgam（tbl，“收缩”）
    mdl = recressiongam predictOrnames：{1x6 cell}响应eName：'收缩式'分类predictictors：[3 5 6]响应式响应：'无'截图：122.7800 isstandardDeviationFit：0 numobservations：0 numobservations：100属性，方法，方法，方法，方法，方法，方法

    MDL是一个回归剂模型对象。

    使用均方误差（MSE）计算重新结构损失。

    l =重新公开（MDL）
    L = 4.1957
    打开实时脚本

    加载样本数据并存储在一个桌子。

    加载渔业tbl = table（mes（：：，1），meas（：2），mes（：3），mes（：4），物种，，物种，...'variablenames'，{'MEATE1'，，，，'MEATE2'，，，，'MEATE3'，，，，'MEATE4'，，，，'物种'}）;

    使用第一个测量作为响应和其他变量作为预测因素拟合GPR模型。

    mdl = fitrgp（tbl，'MEATE1'）；

    使用训练有素的模型预测响应。

    ypred =预测（MDL，TBL）;

    计算平均绝对误差。

    n =高度（tbl）;y = tbl.meas1;fun = @（y，ypred，w）sum（abs（y-ypred））/n;l =重新公开（mdl，“ LossFun”，乐趣）
    L = 0.2345
    打开实时脚本

    训练包含预测变量和交互项的广义加性模型（GAM），并估算带有和没有相互作用项的回归损失（平方误差，MSE）的回归损失和测试数据。指定在估计回归损失时是否包括交互项。

    加载卡比格数据集包含了1970年代和1980年代初期制造的汽车的测量。

    加载卡比格

    指定加速度，，，，移位，，，，马力， 和重量作为预测变量（X） 和MPG作为响应变量（y）。

    x = [加速，位移，马力，重量]；y = mpg;

    将数据集分为两组：一个包含培训数据，另一个包含新的未观察到的测试数据。保留10个新测试数据集的观察结果。

    rng（'默认'）％可再现性n =大小（x，1）;newinds = randsample（n，10）;inds =〜iSmember（1：n，newinds）;Xnew = x（newinds，:);ynew = y（newinds）;

    训练包含所有可用的线性和交互项中的广义添加剂模型X。

    mdl = fitrgam（x（inds，:)，y（inds），，“互动”，，，，'全部'）；

    MDL是一个回归剂模型对象。

    计算有或没有相互作用项的重新结论MSE（即，样本中的MSE）MDL。要排除交互条款，请指定“包括Internatractions”，False。

    resubl = resubloss（MDL）
    重新公开= 0.0292
    resubl_nointeraction = resubloss（mdl，“包括Internactions”，错误的）
    resubl_nointeraction = 4.7330

    计算测试数据集的带有和没有交互作用项的回归MSE。使用内存有效的模型对象进行计算。

    cmdl = compact（mdl）;

    cmdl是一个Compactregressiongam模型对象。

    l =损失（cmdl，Xnew，ynew）
    L = 12.8604
    l_nointeraction =损失（cmdl，Xnew，ynew，“包括Internactions”，错误的）
    l_nointeraction = 15.6741

    包括交互术语为训练数据集和测试数据集实现了较小的错误。

    输入参数

    全部收缩

    回归机器学习模型，指定为完整的回归模型对象，如下表所述模型中所述。金宝app

    模型 回归模型对象
    高斯过程回归模型 回归基
    广义添加剂模型（GAM） 回归剂
    神经网络模型 回归工业网络

    名称值参数

    将可选的参数对name1 = value1，...，namen = valuen， 在哪里姓名是参数名称和价值是相应的值。名称值参数必须在其他参数之后出现，但是对的顺序并不重要。

    在R2021a之前，请使用逗号分隔每个名称和值，并附上姓名用引号。

    例子：重新公开（MDL，“ Inception Interactions”，false）从广义加性模型中排除交互项MDL。

    标志以包括模型的交互项，指定为真的或者错误的。该参数仅适用于广义加法模型。也就是说，您只能在MDL是回归剂。

    默认值是真的如果MDL包含互动术语。值必须是错误的如果模型不包含交互项。

    例子：“包括Internatractions”，False

    数据类型：逻辑

    损失功能，指定为'MSE'或功能句柄。

    • 'MSE'- 加权均方根误差。

    • 功能句柄 - 指定自定义损失功能，请使用功能句柄。该功能必须具有此表格：

      lossval =Lossfun（y，yfit，w）

      • 输出参数LossVal是浮点标量。

      • 您指定函数名称（Lossfun）。

      • y是一个长度n观察到的响应的数字向量，其中n是观察的数量TBL或者X。

      • 是的是一个长度n相应预测响应的数字向量。

      • w是一个n-1观察权重的数字矢量。

    例子：'LossFun'，@Lossfun

    数据类型：char|细绳|function_handle

    更多关于

    全部收缩

    加权平方错误

    加权平方误差衡量回归模型的预测性不准确性。当您比较许多模型之间的相同类型的损失时，较低的误差表示更好的预测模型。

    加权平方误差的计算如下：

    MSE = ∑ j = 1 n w j （（ F （（ X j ） - y j ） 2 ∑ j = 1 n w j ，，，，

    在哪里：

    • n是数据行的数量。

    • Xj是个j数据行。

    • yj是对Xj。

    • F（（Xj）是模型的响应预测MDL到Xj。

    • w是观察权重的向量。

    算法

    重新公开根据相应的计算回归损失损失对象的函数（MDL）。有关特定于模型的描述，请参阅损失下表中的功能参考页面。

    模型 回归模型对象（MDL） 损失对象功能
    高斯过程回归模型 回归基 损失
    广义添加剂模型 回归剂 损失
    神经网络模型 回归工业网络 损失

    替代功能

    要计算新预测数据的响应损失，请使用相应的损失对象的函数（MDL）。

    版本历史记录

    在R2021a中引入

    也可以看看