RegressionBaggedEnsemble
包:classreg.learning.regr
超类:RegressionEnsemble
通过重采样增长的回归集合
描述
RegressionBaggedEnsemble
结合一组训练过的弱学习者模型和这些学习者训练过的数据。它可以通过聚合弱学习者的预测来预测新数据的集合响应。
建设
使用创建袋装回归集成对象fitrensemble
.设置名称-值对参数“方法”
的fitrensemble
来“包”
使用引导聚合(例如,随机森林)。
属性
|
数值预测器的Bin边,指定为的单元格数组p数值向量,p是预测器的数量。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。 的情况下,软件才会收纳数字预测器 您可以重新生成归档的预测器数据 X = mdl.X;%预测数据Xbinned = 0 (size(X));边缘= mdl.BinEdges;查找已装箱预测器的索引。idxNumeric =找到(~ cellfun (@isempty边缘));if iscolumn(idxNumeric) idxNumeric = idxNumeric';end for j = idxNumeric x = x (:,j);如果x是表,则将x转换为数组。If istable(x) x = table2array(x);方法将x分组到箱子中
Xbinned 包含数值预测器的bin索引,范围从1到bin的数量。Xbinned 类别预测器的值为0。如果X 包含南 S,那么对应的Xbinned 值是南 年代。 |
|
分类预测指标,指定为正整数的向量。 |
|
描述集合如何结合学习者预测的字符向量。 |
|
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 |
|
适合信息的数字数组。的 |
|
描述字符向量的意义 |
|
一个介于 |
|
超参数的交叉验证优化描述,存储为
|
|
集合中具有弱学习者名称的字符向量单元数组。每个学习者的名字只出现一次。例如,如果你有100棵树的集合, |
|
带有算法名称的字符向量 |
|
培训所用参数 |
|
包含训练数据中观察数的数值标量。 |
|
集合中受过训练的学习者的数量,一个正标量。 |
|
预测变量名称的单元格数组,按它们出现的顺序排列 |
|
描述原因的字符向量 |
|
|
|
布尔标志,指示该集合中较弱学习者的训练数据是否经过替换采样。 |
|
带有响应变量名称的字符向量 |
|
转换分数的函数句柄,或表示内置转换函数的字符向量。 添加或更改 ens.ResponseTransform = @函数 |
|
训练有素的学习者,一个单元阵列的紧凑回归模型。 |
|
集合分配给学习者的权重的数字向量。该集合通过聚合来自学习者的加权预测计算预测反应。 |
|
大小的逻辑矩阵 |
|
的比例 |
|
训练集合的预测值矩阵或表。每一列的 |
|
具有相同行数的数值列向量 |
对象的功能
紧凑的 |
创建紧凑的回归集成 |
crossval |
交叉验证合奏 |
cvshrink |
交叉验证收缩(修剪)集合 |
收集 |
收集的属性统计和机器学习工具箱对象从GPU |
石灰 |
局部可解释模型不可知解释(LIME) |
损失 |
回归误差 |
oobLoss |
Out-of-bag回归误差 |
oobPermutedPredictorImportance |
通过对随机森林的回归树的袋外预测器观测的排列估计预测器重要性 |
oobPredict |
预测集合的外袋响应 |
partialDependence |
计算部分依赖 |
plotPartialDependence |
创建偏依赖图(PDP)和个体条件期望图(ICE) |
预测 |
使用回归模型集合预测响应 |
predictorImportance |
预测因子对回归集合重要性的估计 |
规范 |
找出最小化替换误差和惩罚项的权重 |
removeLearners |
删除紧凑回归集合的成员 |
resubLoss |
由再替换引起的回归误差 |
resubPredict |
用置换法预测系综的响应 |
重新开始 |
恢复训练合奏 |
沙普利 |
沙普利值 |
缩小 |
修剪合奏 |
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
提示
对于回归树的袋装集合,则训练有素的
的属性实体
的单元格向量ens.NumTrained
CompactRegressionTree
模型对象。用于树的文本或图形显示t
在单元格向量中,输入
视图(实体。训练有素的{t})
扩展功能
版本历史
介绍了R2011a