回归树
决策树与二元分裂回归。一个类的对象RegressionTree
可以预测反应的新数据预测
方法。对象包含数据用于训练,所以可以计算resubstitution预测。
创建一个RegressionTree
对象的使用fitrtree
。
|
本数值预测边缘,指定的单元阵列p数值向量,p预测的数量。每个向量包括箱子边缘数值预测。单元阵列中的元素分类预测是空的,因为软件不本分类预测。 软件垃圾箱只有指定数值预测 你可以复制被预测数据 X = mdl.X;%预测数据Xbinned = 0(大小(X));边缘= mdl.BinEdges;%找到被预测的指标。idxNumeric =找到(~ cellfun (@isempty边缘));如果iscolumn idxNumeric idxNumeric = idxNumeric ';对j = idxNumeric x = x (:, j);% x转换为数组如果x是一个表。如果istable (x) x = table2array (x);组x %到垃圾箱使用结束
Xbinned 包含本指标,从1到垃圾箱的数量,数值预测。Xbinned 分类预测的值是0。如果X 包含南 年代,那么相应的Xbinned 值是南 年代。 |
|
分类预测指标,指定为一个向量的正整数。 |
|
一个n2单元阵列, |
|
一个n2数组包含每个节点的子节点的数量 |
|
一个n2单元阵列在分支机构使用的类别
|
|
一个n元向量的值用作切割点 |
|
一个n元胞数组表示将在每个节点的类型
|
|
一个n元胞数组的变量的名称用于分支在每个节点
|
|
一个n使用有效的数字索引数组变量中每个节点的分支 |
|
扩展预测名称,存储单元阵列的特征向量。 如果分类变量的模型使用的编码,那么 |
|
描述hyperparameters交叉验证优化的存储为一个
|
|
一个n元逻辑向量 |
|
对象持有的参数 |
|
在训练数据的观察,一个数字标量。 |
|
一个n元向量 |
|
一个n元数值数组中每个节点的平均值 |
|
一个n元向量 |
|
一个n元向量的风险树中的节点,在哪里n节点的数量。每个节点的风险是由节点的节点误差加权的概率。 |
|
一个n元向量 |
|
节点的数量 |
|
一个n元向量 |
|
一个单元阵列为预测变量的名称,在它们出现的顺序 |
|
每修剪水平数值向量和一个元素。如果修剪水平范围从0到米,然后 |
|
一个n元数值向量的每个节点修剪水平 |
|
一个特征向量指定响应变量的名称( |
|
函数处理转换原始响应值(均方误差)。函数处理必须接受一个矩阵的响应值并返回一个相同大小的矩阵。默认的 添加或更改 树。ResponseTransform = @函数 |
|
一个n元逻辑向量表示哪些行最初的预测数据( |
|
一个n元胞数组的类别用于替代分裂 |
|
一个n元胞数组的数值减少作业用来替代分裂 |
|
一个n元胞数组的数值用于替代分裂 |
|
一个n元胞数组表示类型的代理将在每个节点 |
|
一个n元胞数组的变量的名称用于代理在每个节点分裂 |
|
一个n元胞数组的代理将协会的预测措施 |
|
的比例 |
|
一个矩阵或表的预测价值。每一列的 |
|
一个数字列向量具有相同的行数 |
紧凑的 |
紧凑的回归树 |
crossval |
旨在决策树 |
cvloss |
通过交叉验证回归误差 |
收集 |
收集的属性统计和机器学习工具对象从GPU |
石灰 |
本地可model-agnostic解释(石灰) |
损失 |
回归误差 |
partialDependence |
计算部分依赖 |
plotPartialDependence |
创建部分依赖图(PDP)和个人条件期望(ICE)情节 |
预测 |
预测使用回归树的反应 |
predictorImportance |
为回归估计预测重要的树 |
修剪 |
产生的序列回归子树修剪 |
resubLoss |
resubstitution回归错误的 |
resubPredict |
预测resubstitution回应的树 |
沙普利 |
沙普利值 |
surrogateAssociation |
意味着预测衡量代理协会将回归树 |
视图 |
视图回归树 |
价值。学习如何价值类影响复制操作,明白了复制对象。
[1]Breiman, L。,J. Friedman, R. Olshen, and C. Stone.分类和回归树。波卡拉顿,FL: CRC出版社,1984年。