RegressionTree类

超类:CompactRegressionTree

回归树

展开全部页面

描述

用于回归的具有二叉分割的决策树。类的对象RegressionTree可以预测新数据的响应预测方法。该对象包含用于训练的数据，因此可以计算再替代预测。

建设

创建一个RegressionTree对象，使用fitrtree．

属性

`BinEdges`	的单元格数组指定的数值预测器的Bin边p数字向量，其中p是预测因子的数量。每个向量都包含数值预测器的bin边。类别预测器的单元格数组中的元素为空，因为软件不收纳类别预测器。类型时，软件才会对数值预测器进行分类`“NumBins”`在使用树学习器训练模型时，名称-值参数作为正整数标量。的`BinEdges`属性为空`“NumBins”`值为空(默认值)。您可以重新生成已归档的预测器数据`Xbinned`通过使用`BinEdges`训练模型的属性`mdl`． 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 `Xbinned`包含数值预测器的容器索引，范围从1到容器数。`Xbinned`类别预测器的值为0。如果`X`包含`南`S，然后是对应的`Xbinned`值是`南`年代。
`CategoricalPredictors`	分类预测指标，指定为正整数向量。`CategoricalPredictors`包含指示相应预测符是分类的索引值。索引值在1和之间`p`,在那里`p`用于训练模型的预测器的数量。如果没有一个预测符是分类的，则此属性为空(`［］`)．
`CategoricalSplit`	一个n-by-2单元格数组，其中`n`分类分割的数量是多少`树`．每一行`CategoricalSplit`给出分类分割的左右值。对每个分支节点进行分类分割`j`基于分类预测变量`z`，则左子元素被选中`z`是在`CategoricalSplit (j, 1)`如果`z`是在`CategoricalSplit (j, 2)`．分割的顺序与树节点的顺序相同。可以通过运行来找到这些分割的节点`cuttype`并选择`“分类”`从上到下切。
`孩子们`	一个n中每个节点的子节点的编号`树`,在那里n为节点数。叶子节点有子节点`0`．
`CutCategories`	一个n中分支使用的类别的-by-2单元数组`树`,在那里n为节点数。对于每个分支节点`我`基于分类预测变量`x`，则左子元素被选中`x`所列的类别中`CutCategories{1},我`，则选择正确的子节点`x`是在`CutCategories{2},我`．两列`CutCategories`对于基于连续预测器的分支节点和叶节点，为空。 `割点`包含的切点`“连续”`削减,`CutCategories`包含类别集。
`割点`	一个n-元素向量的值用作切割点`树`,在那里n为节点数。对于每个分支节点`我`基于一个连续的预测变量`x`，则左子元素被选中`x <割点(我)`如果`x > =割点(我)`．`割点`是`南`对于基于分类预测器的分支节点和叶节点。
`CutType`	一个n元素单元格数组，表示在每个节点上的切割类型`树`,在那里n为节点数。对于每个节点`我`，`CutType{我}`是: `“连续”`—如果在表单中定义了切割`X < v`对于一个变量`x`切割点`v`． `“分类”`—若切定义为是否变量`x`获取一组类别中的值。 `”`——如果`我`是叶节点。 `割点`包含的切点`“连续”`削减,`CutCategories`包含类别集。
`CutPredictor`	一个n中每个节点中用于分支的变量名称的单元格数组`树`,在那里n为节点数。这些变量有时被称为减少变量．对于叶节点，`CutPredictor`包含一个空字符向量。 `割点`包含的切点`“连续”`削减,`CutCategories`包含类别集。
`CutPredictorIndex`	一个n用于分支的每个节点的变量的数值索引数组`树`,在那里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。如果模型对分类变量使用编码，则`ExpandedPredictorNames`包括描述展开变量的名称。否则,`ExpandedPredictorNames`和`PredictorNames`．
`HyperparameterOptimizationResults`	超参数的交叉验证优化的描述，存储为`BayesianOptimization`对象或超参数及相关值的表。当`OptimizeHyperparameters`名称-值对在创建时是非空的。属性的设置`HyperparameterOptimizationOptions`创建时的名称-值对: `“bayesopt”`(默认)-类的对象`BayesianOptimization` `“gridsearch”`或`“randomsearch”`-使用的超参数表，观察到的目标函数值(交叉验证损失)，以及从最低(最好)到最高(最差)的观察值排序
`IsBranchNode`	一个n-元素逻辑向量`ib`这是`真正的`对于每个分支节点和`假`的每个叶节点`树`．
`ModelParameters`	的对象保持参数`树`．
`NumObservations`	训练数据中的观察数，一个数值标量。`NumObservations`可以小于输入数据的行数吗`X`中缺少值时`X`或响应`Y`．
`NodeError`	一个n元向量`e`节点的误差`树`,在那里n为节点数。`e(我)`节点的均方误差是多少`我`．
`NodeMean`	一个n的每个节点中都有平均值的element数值数组`树`,在那里n是树中的节点数。每一个元素`NodeMean`平均值是真的吗`Y`节点中所有观测值的值。
`NodeProbability`	一个n元向量`p`节点的概率`树`,在那里n为节点数。一个节点的概率是通过原始数据中满足该节点条件的观测值的比例来计算的。
`NodeRisk`	一个n-树中节点风险的element向量，其中n为节点数。每个节点的风险是由节点误差加权的节点概率。
`NodeSize`	一个n元向量`大小`节点的大小`树`,在那里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`	节点数量`n`在`树`．
`父`	一个n元向量`p`中每个节点的父节点号`树`,在那里n为节点数。根节点的父节点为`0`．
`PredictorNames`	预测变量名称的单元格数组，按它们出现的顺序排列`X`．
`PruneAlpha`	数字向量，每个修剪级别有一个元素。如果修剪级别为0 ~米,然后`PruneAlpha`有米+ 1个元素按升序排序。`PruneAlpha (1)`用于0级修剪(不修剪)，`PruneAlpha (2)`用于修剪级别1，依此类推。
`PruneList`	一个n的每个节点的剪枝级别`树`,在那里n为节点数。修剪级别从0(不修剪)到米,在那里米最深的叶节点和根节点之间的距离。
`ResponseName`	一个字符向量，它指定响应变量的名称(`Y`)．
`ResponseTransform`	转换原始响应值(均方误差)的函数句柄。函数句柄必须接受一个响应值矩阵并返回一个相同大小的矩阵。默认的`“没有”`意味着`@ x (x)`，或者没有变换。添加或更改`ResponseTransform`函数使用点表示法: 树。ResponseTransform = @函数
`RowsUsed`	一个n元素逻辑向量，表示原始预测器数据的行(`X`)用于配件。如果软件使用的所有行`X`,然后`RowsUsed`是一个空数组(`［］`)．
`SurrogateCutCategories`	一个n用于代理分割的类别的element单元格数组`树`,在那里n节点个数是否到位`树`．对于每个节点`k`，`SurrogateCutCategories {k}`是单元格数组。的长度`SurrogateCutCategories {k}`等于在此节点上找到的代理预测器的数量。每一个元素`SurrogateCutCategories {k}`是连续代理预测器的空字符向量，还是类别代理预测器的包含类别的两元素单元格数组。这个两元素单元格数组的第一个元素列出了由代理分裂分配给左子元素的类别，这个两元素单元格数组的第二个元素列出了由代理分裂分配给右子元素的类别。每个节点上的代理拆分变量的顺序与节点中的变量的顺序匹配`SurrogateCutPredictor`．此节点上的最佳分割变量不会出现。对于非分支(叶)节点，`SurrogateCutCategories`包含一个空单元格。
`SurrogateCutFlip`	一个n用于代理分割的数值切割分配的单元格数组`树`,在那里n节点个数是否到位`树`．对于每个节点`k`，`SurrogateCutFlip {k}`是数值向量。的长度`SurrogateCutFlip {k}`等于在此节点上找到的代理预测器的数量。每一个元素`SurrogateCutFlip {k}`对于分类代理预测器为0，对于连续代理预测器为数值切割赋值。数值切割分配可以是-1或+1。每个代理都有一个数字分割C基于一个连续的预测变量Z，则左子元素被选中Z<C这个代理分割的切割分配是+1，或者Z≥C这个代理分割的切割值是-1。类似地，如果Z≥C这个代理分割的切割分配是+1，或者Z<C这个代理分割的切割值是-1。每个节点上的代理拆分变量的顺序与节点中的变量的顺序匹配`SurrogateCutPredictor`．此节点上的最佳分割变量不会出现。对于非分支(叶)节点，`SurrogateCutFlip`包含一个空数组。
`SurrogateCutPoint`	一个n用于代理分割的数值的单元格数组`树`,在那里n节点个数是否到位`树`．对于每个节点`k`，`SurrogateCutPoint {k}`是数值向量。的长度`SurrogateCutPoint {k}`等于在此节点上找到的代理预测器的数量。每一个元素`SurrogateCutPoint {k}`要么是`南`对于分类替代预测器，或连续替代预测器的数字切割。每个代理都有一个数字分割C基于一个连续的预测变量Z，则左子元素被选中Z<C而且`SurrogateCutFlip`对于这个代理拆分为+1，或者ifZ≥C而且`SurrogateCutFlip`这个代理的分割是-1。类似地，如果Z≥C而且`SurrogateCutFlip`对于这个代理拆分为+1，或者ifZ<C而且`SurrogateCutFlip`这个代理的分割是-1。在每个节点上的代理拆分变量的顺序与返回的变量的顺序相匹配`SurrCutPredictor`．此节点上的最佳分割变量不会出现。对于非分支(叶)节点，`SurrogateCutPoint`包含一个空单元格。
`SurrogateCutType`	一个n中每个节点上的代理拆分类型的单元格数组`树`,在那里n节点个数是否到位`树`．对于每个节点`k`，`SurrogateCutType {k}`是一个单元格数组，其中包含此节点上的代理程序拆分变量的类型。变量按照与最优预测因子关联的预测测度排序，按降序排列，仅包含具有正预测测度的变量。每个节点上的代理拆分变量的顺序与节点中的变量的顺序匹配`SurrogateCutPredictor`．此节点上的最佳分割变量不会出现。对于非分支(叶)节点，`SurrogateCutType`包含一个空单元格。代理拆分类型可以是任意一种`“连续”`如果在窗体中定义了切割`Z`<`V`对于一个变量`Z`切割点`V`或`“分类”`是否切割定义为是否`Z`获取一组类别中的值。
`SurrogateCutPredictor`	一个n中每个节点中用于代理分割的变量名称的单元格数组`树`,在那里n节点个数是否到位`树`．每一个元素`SurrogateCutPredictor`具有此节点上的代理程序拆分变量名称的单元格数组。变量按照与最优预测因子关联的预测测度排序，按降序排列，仅包含具有正预测测度的变量。此节点上的最佳分割变量不会出现。对于非分支(叶)节点，`SurrogateCutPredictor`包含一个空单元格。
`SurrogatePredictorAssociation`	一个n-元单元阵列的关联预测措施的代理分裂在`树`,在那里n节点个数是否到位`树`．对于每个节点`k`，`SurrogatePredictorAssociation {k}`是数值向量。的长度`SurrogatePredictorAssociation {k}`等于在此节点上找到的代理预测器的数量。每一个元素`SurrogatePredictorAssociation {k}`给出了最佳分割和代理分割之间关联的预测度量。每个节点上的代理拆分变量的顺序就是其中变量的顺序`SurrogateCutPredictor`．此节点上的最佳分割变量不会出现。对于非分支(叶)节点，`SurrogatePredictorAssociation`包含一个空单元格。
`W`	的比例`权重`，一个有长度的向量`n`的行数`X`．
`X`	预测值的矩阵或表格。的每一列`X`表示一个变量，每一行表示一个观察结果。
`Y`	具有相同行数的数值列向量`X`．每一项`Y`的对应行中的数据是否响应`X`．

对象的功能

`紧凑的`	紧致回归树
`crossval`	交叉验证决策树
`cvloss`	交叉验证的回归误差
`收集`	收集属性统计和机器学习工具箱来自GPU的对象
`石灰`	局部可解释模型不可知解释(LIME)
`损失`	回归误差
`nodeVariableRange`	检索决策树节点的可变范围
`partialDependence`	计算部分依赖关系
`plotPartialDependence`	创建部分依赖图(PDP)和个别条件期望图(ICE)
`预测`	使用回归树预测响应
`predictorImportance`	回归树预测因子重要性的估计
`修剪`	通过修剪产生回归子树序列
`resubLoss`	回归误差的再替换
`resubPredict`	预测树木的再替代反应
`沙普利`	沙普利值
`surrogateAssociation`	回归树中代理分裂关联的平均预测度量
`视图`	视图回归树

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

全部折叠

构造回归树

打开实时脚本

加载样例数据。

负载carsmall

使用样本数据构造一个回归树。响应变量是每加仑英里数，MPG。

tree = fitrtree([重量，气缸]，MPG，.．.“CategoricalPredictors”2,“MinParentSize”, 20岁,.．.“PredictorNames”, {' W '，“C”})

tree = RegressionTree PredictorNames: {'W' 'C'} ResponseName: 'Y' CategoricalPredictors: 2 ResponseTransform: 'none' NumObservations: 94属性，方法

预测4000磅重的4缸、6缸和8缸汽车的里程。

MPG4Kpred = predict(tree，[4000 4;4000 6;4000 8])

MPG4Kpred =3×119.2778 19.2778 14.3889

参考文献

布莱曼，L.弗里德曼，R.奥尔申和C.斯通。分类与回归树．佛罗里达州博卡拉顿:CRC出版社，1984年。

扩展功能

C/ c++代码生成
使用MATLAB®Coder™生成C和c++代码。

使用注意事项和限制:

的预测而且更新函数支持代码生成。
将回归树模型的预测集成到Simulink中^®，你可以使用RegressionTree预测块的统计和机器学习工具箱™库或MATLAB^®函数块。预测函数。
训练回归树模型时使用fitrtree，则适用以下限制。
- 的值“ResponseTransform”名称-值对参数必须为“没有”(默认)。
- 您不能使用代理分割，即“代孕”名称-值对参数必须为“关闭”．
- 定点代码生成和使用编码器配置器的代码生成不支持分类预测器(逻辑，分类，字符，字符串,或细胞)．您不能使用“CategoricalPredictors”名称-值参数。若要在模型中包含分类预测器，请使用dummyvar在拟合模型之前。