RegressionPartitionedEnsemble

パッケ，ジ:classreg.learning.partition
ス，パ，クラス:RegressionPartitionedModel

交差検証したアンサンブル回帰

説明

RegressionPartitionedEnsembleは，交差検証の学習アンサンブルで学習を行ったアンサンブル回帰のセットです。次のう1以上のkfoldメソッドを使用した交差検証により，分類の品質を評価します。kfoldfun、kfoldLoss，またはkfoldPredict。すべての“kfoldメソッドでは,学習用データの観測値で学習したモデルを使用して,学習用データにはない観測値に対する応答を予測します。たとえば，デ，タを5に分割して交差検証を行うとします。その場合,学習用データには常にデータのおよそ4/5が含まれることになり,検定用データにはおよそ1/5が含まれます。训练有素的{1}に保存された最初のモデルは，最初の1/5が除外されたXとYで学習を行い，训练有素的{2}に保存された2番目のモデルは2番目の1/5が除外されたXとYで学習を行います。kfoldPredictを呼び出すとき,最初のモデルを使用してデータの最初の1/5に対する予測を計算し,2番目のモデルを使用して2番目の1/5に対する予測を計算する,というように処理を続けます。まり，すべての観測値に対する応答は，kfoldPredictによって，実際の観測値なしで学習したモデルを使用して計算されます。

構築

cvens= crossval (实体）は，アンサンブル回帰实体から交差検証済みのアンサンブルを作成します。構文の詳細は，crossvalメソッドのリファレンスペ，ジを参照してください。

cvens= fitrensemble (X, Y,名称,值)は,的名字が“crossval”、“kfold”、“坚持”、“leaveout”，または“cvpartition”のいずれかである場合，交差検証済みのアンサンブルを作成します。構文の詳細は，fitrensemble関数のリファレンスペ，ジを参照してください。

入力引数

`实体`	関数`fitrensemble`で作成されたアンサンブル回帰。

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。
`CrossValidatedModel`	交差検証済みモデルの名前。文字ベクトル。
`Kfold`	交差検証木で使用される分割数で，正の整数。
`ModelParameters`	`树`のパラメ，タ，を保持しているオブジェクト。
`NumObservations`	学習デタにある観測値の数を含む数値スカラ。
`NumTrainedPerFold`	`Kfold`要素のベクトル。各エントリには，この交差検証分割内の学習済み学習器の数が含まれます。
`分区`	交差検証アンサンブルの作成に使用されるクラス`cvpartition`の分割。
`PredictorNames`	予測子変数の名前のcell配列。並びは`X`に現れる順です。
`ResponseName`	応答変数`Y`の名前。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
`可训练的`	交差検証の学習アンサンブルで学習したアンサンブルのcell配列。すべてのアンサンブルは完全な状態で，学習デ，タと重みが含まれています。
`训练有素的`	交差検証の学習アンサンブルで学習したコンパクトなアンサンブルのcell配列。
`W`	スケ，ルされた`权重`，長さ`n`のベクトル，`X`の行の数。
`X`	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`	`X`と同じ行数の数値列ベクトル。`Y`の各エントリは`X`の対応する行に対する応答です。

オブジェクト関数

`kfoldLoss`	交差検証された分割済みの回帰モデルの損失
`kfoldPredict`	交差検証済み回帰モデル内の観測値に対する応答の予測
`kfoldfun`	回帰での関数の交差検証
`重新开始`	学習アンサンブルの再開

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

分割されたアンサンブル回帰の構築

ラ@ @ブスクリプトを開く

分割されたアンサンブル回帰を作成し，分割の交差検証損失を調べます。

carsmallデ，タセットを読み込みます。

负载carsmall；

変数のサブセットを作成します。

XX =[气缸排量马力重量];Yy = mpg;

アンサンブルモデルを作成します。

rens = fitrensemble(XX,YY);

交差検証済みのアンサンブルを任から作成します。

rng (10,“旋风”）%用于再现性Cvrens = crossval(rens);

交差検証損失を確認します。

L = kfoldLoss(cvrens，“模式”，“个人”）

L =10×121.4489 48.4388 28.2560 17.5354 29.9441 49.5254 51.2372 31.0152 31.6388 8.9607

Lは，アンサンブル内の学習済み学習器のそれぞれに対する交差検証損失が格納されているベクトルです。

参考

ClassificationPartitionedEnsemble|RegressionPartitionedModel|RegressionEnsemble|fitrtree