在matlab.^®，加载CARBIG.数据集并创建包含不同变量的表：

加载CARBIG.cartable =表(加速、气缸、位移,......马力，model_year，重量，原产地，mpg）;

在这方面应用选项卡,机器学习和深度学习组，点击回归的学习者．

在这方面回归的学习者选项卡,文件部分，选择新会话>从工作区．

在下面数据集变量在“来自工作区的新会话”对话框中选择卡尔特从工作区中的表和矩阵列表中。

观察到该应用程序已预选响应和预测变量。MPG.被选为响应，以及所有其他变量作为预测器。对于此示例，请勿更改选择。

要接受默认的验证方案并继续，请单击开始会议．默认验证选项是交叉验证，以防止过度装备。

回归学习者创建一个响应的曲目与记录号X设在。

使用响应图来调查哪些变量对于预测响应是有用的。要可视化不同预测器与响应之间的关系，请选择不同的变量X列表X轴．

观察哪些变量与响应最清晰相关。移位那马力,重量所有人都对响应有明显的影响，并且所有人都与响应表现出负面关联。

选择变量起源在下面X轴．箱线图会自动显示出来。箱线图显示了响应的典型值和任何可能的异常值。当绘制标记导致许多点重叠时，箱线图是有用的。上的变量时显示框图X-axis有很少的独特价值风格， 选择箱形图．

创建一系列回归树。在这方面回归的学习者选项卡,模型类型部分，点击所有的树．

然后点击火车．

回归学习者创造并列车三个回归树：a细树,一个中树和A.粗树．

这三种模型出现在楷模窗格。检查RMSE(验证)（验证根均方误差）模型。最好的分数是在一个盒子里突出的。

这细树和中树有类似的RMSE，而粗树不太准确。

回归学习者绘制第一模型的真实训练反应和预测反应(模型1.1)。

选择一个模型楷模窗格查看该模型的结果。例如，选择中树模型（型号1.2）。在这方面回归的学习者选项卡,绘图部分，单击箭头以打开图库，然后单击响应在验证结果组。在下面X轴， 选择马力并检查响应情节。现在绘制了真实和预测的答复。显示预测错误，通过选择预测和真实响应之间的垂直线路绘制错误复选框。

查看有关当前所选模型的更多详细信息当前模型摘要窗格。检查和比较其他模型特征，如R-squared(决定系数)，MAE(平均绝对误差)，和预测速度。要了解更多信息，请参阅查看和比较模型统计．在里面当前模型摘要窗格中，您还可以找到有关当前选择的模型类型的详细信息，例如用于训练模型的选项。

绘制预测的响应与真实响应。在这方面回归的学习者选项卡,绘图部分，单击箭头以打开图库，然后单击预测与实际（验证）在验证结果组。使用此曲线来了解回归模型如何对不同响应值进行预测。

一个完美的回归模型预测响应等于真实响应，所以所有的点都在一条对角线上。从直线到任意点的垂直距离就是对该点的预测误差。一个好的模型误差小，所以预测都分散在这条线附近。通常一个好的模型在对角线周围有一些大致对称分布的点。如果您能在图中看到任何清晰的模式，那么您就有可能改进您的模型。

选择其他模型楷模窗格，打开每个模型的预测与实际图，然后比较结果。重新排列图的布局以更好地比较图。单击“文档操作”箭头位于模型绘图标签的最右侧。选择瓷砖所有选项并指定一个1×3布局。单击“隐藏绘图选项”按钮在地块的右上角，为绘制的地块做更多的空间。

要返回原始布局，可以单击布局按钮在绘图部分和选择单一模型（默认）．

在里面模型类型画廊,选择所有的树再次。要尝试改进模型，请尝试在模型中包括不同的功能。看看您是否可以通过删除具有低预测功率的功能来改进模型。在这方面回归的学习者选项卡,特征部分，点击特征选择．

在“功能选择”对话框中，清除复选框加速度和气瓶从预测器中排除它们。点击好吧．

点击火车使用新的预测器设置培训新的回归树。

观察新模型楷模窗格。这些模型与以前一样是相同的回归树，但仅使用七个预测器中的五个培训。该应用程序显示使用了多少预测器。要检查使用哪些预测器，请单击模型楷模窗格并遵守“功能选择”对话框中的复选框。

使用所有预测器的模型删除了两个特征的模型。与仅使用预测器的子集相比，模型不再使用所有预测器更好地预测。如果数据收集昂贵或困难，您可能更喜欢在没有一些预测器的情况下令人满意地执行的模型。

仅使用三个回归树预设马力作为预测的指标。更改“功能选择”对话框中的选择，然后单击好吧．然后点击火车．

仅使用发动机电源作为预测器的型号，精度较低。但是，模型表现良好，因为它们仅使用单个预测器。利用这种简单的一维预测因素空间，粗糙的树现在执行以及介质和细树。

选择最好的模型在楷模窗格并查看残差情节。在这方面回归的学习者选项卡,绘图部分，单击箭头以打开图库，然后单击残差(验证)在验证结果组。残差图显示了预测和真实反应之间的差异。将残差显示为线形图，在风格部分，选择行．

在下面X轴，选择要在绘制的变量X设在。选择真实的反应，预测的反应，记录号码，或你的预测之一。

通常，一个很好的模型具有大致对称的残差左右。如果您可以在残差看到任何明确的模式，您可能会改善您的模型。

要了解模型设置，请选择最佳模型楷模窗格并查看高级设置。非优化的模型选项模型类型图库是预设的起点，您可以更改其他设置。在这方面回归的学习者选项卡,模型类型部分，点击先进的．比较不同的回归树模型楷模窗格，并遵守“高级回归树选项”对话框的差异。这最小叶大小设置控制树叶的大小，并通过回归树的大小和深度。

要尝试进一步改进模型，更改最小叶大小设置为8，单击好吧．然后点击培训一个新模型火车．

查看所选培训模型的设置当前模型摘要窗格或“高级回归树选项”对话框。

要了解有关回归树设置的更多信息，请参阅回归树木．

您可以将所选模型的完整或紧凑版本的版本导出到工作区。在这方面回归的学习者选项卡,出口部分，点击出口模式并选择任一个出口模式或出口紧凑型号．在导出模型对话框中，单击好吧接受默认的变量名训练显示．

要查看结果的信息，请查看命令窗口。

使用导出的模型对新数据进行预测。例如，为预测进行预测卡尔特您工作区中的数据，输入：

YFIT = TROORARMODEL.PREDICTFCN（卡特尔）

如果您想自动培训与新数据相同的模型或者学习如何编程方式ristoical列回归模型，则可以从应用程序生成代码。为最佳培训的模型生成代码回归的学习者选项卡,出口部分，点击生成函数．

该应用程序从模型生成代码，并在MATLAB编辑器中显示该文件。要了解更多信息，请参阅使用新数据生成MATLAB代码来培训模型．

在最右边模型类型部分，单击箭头以展开回归模型列表。

点击所有，然后单击火车．