fitrensemble
为回归拟合学习者集合
语法
描述
Mdl= fitrensemble (资源描述，ResponseVarName）Mdl)，其中包含使用LSBoost提升100个回归树的结果以及表中的预测器和响应数据资源描述．ResponseVarName响应变量的名称是否在资源描述．
例子
火车回归合奏
创建一个回归集合，在给定汽缸数量、汽缸排量、马力和重量的情况下预测汽车的燃油经济性。然后，用较少的预测因子训练另一个集合。比较集合的样本内预测精度。
加载carsmall数据集。将训练中使用的变量存储在表中。
负载carsmall台=表(汽缸、排量、马力、重量、MPG);
训练一个回归集合。
Mdl1 = fitrensemble(资源描述,“英里”）;
Mdl1是一个RegressionEnsemble模型。的一些显著特征Mdl1是:
集成聚合算法为
“LSBoost”．由于集成聚合方法是一种增强算法，允许最多10次分割的回归树组成集成。
一百棵树组成了这个乐团。
因为英里/加仑是MATLAB®工作区中的一个变量，输入
Mdl1 = fitrensemble(资源描述、MPG);
使用训练过的回归集合来预测一辆排量为200立方英寸、马力为150马力、重量为3000磅的四缸汽车的燃油经济性。
pMPG = predict(Mdl1，[4 200 150 3000])
pMPG = 25.6467
使用所有的预测器训练一个新的集合资源描述除了位移．
公式=MPG ~汽缸+马力+重量；Mdl2 = fitrensemble(资源描述、公式);
比较两者之间的再取代MSEsMdl1而且Mdl2．
mse1 = resubLoss (Mdl1)
mse1 = 0.3096
mse2 = resubLoss (Mdl2)
mse2 = 0.5861
在所有预测因子上训练的集合的样本内均方误差较低。
通过对数值预测值进行分组加速训练
使用训练增强回归树的集合fitrensemble．可以减少培训时间“NumBins”名称-值对参数到bin数值预测器。训练之后，您可以使用BinEdges训练模型的性质和离散化函数。
生成一个示例数据集。
rng (“默认”）%的再现性N = 1 e6;X1 =兰迪([1,5],[N, 1]);X2 =兰迪([5 10],[N, 1]);X3 =兰迪([0 5][N, 1]);X4 =兰迪([1,10],[N, 1]);X = [x1 x2 x3 x4];y = X1 + X2 + X3 + X4 + normrnd(0,1，[N,1]);
使用最小二乘增强(LSBoost，为默认值)。为比较目的对函数进行计时。
tic Mdl1 = fitrensemble(X,y);toc
运行时间为78.662954秒。
加速训练使用“NumBins”名称-值对的论点。如果指定“NumBins”值作为正整数标量，那么软件将每个数字预测器分类到指定数量的等概率分类中，然后在分类索引上生长树，而不是原始数据。该软件没有分类预测器。
tic Mdl2 = fitrensemble(X,y，“NumBins”, 50);toc
运行时间为43.353208秒。
当使用分组数据而不是原始数据时，该过程大约快两倍。注意，运行时间可能因操作系统而异。
用复代比较回归误差。
rsLoss = resubLoss (Mdl1)
rsLoss = 1.0134
rsLoss2 = resubLoss (Mdl2)
rsLoss2 = 1.0133
在本例中，对预测器值进行分组可以减少训练时间，而不会显著损失准确性。一般来说，当您拥有像本例中这样的大型数据集时，使用分箱选项可以加快训练速度，但可能会降低准确性。如果您想进一步减少训练时间，请指定更少的容器数量。
方法重新生成归档的预测器数据BinEdges训练模型的性质和离散化函数。
X = Mdl2.X;%的预测数据Xbinned = 0(大小(X));边缘= Mdl2.BinEdges;查找已装箱预测器的索引。idxNumeric =找到(~ cellfun (@isempty边缘));如果iscolumn(idxNumeric) idxNumeric = idxNumeric';结束为j = idxNumeric x = x (:，j);如果x是表，则将x转换为数组。如果稳定(x) x = table2array(x);结束使用离散化函数将x分组到箱子中。xbinned =离散化(x,[无穷;边缘{};正]);Xbinned (:, j) = Xbinned;结束
Xbinned包含数值预测器的bin索引，范围从1到bin的数量。Xbinned值是0分类预测。如果X包含南S，那么对应的Xbinned值是南年代。
boost集合的泛化误差估计
估计增强回归树集合的泛化误差。
加载carsmall数据集。选择气缸的数量，容积取代气缸，马力和重量作为燃料经济性的预测。
负载carsmallX =[汽缸排量马力重量];
使用10倍交叉验证对回归树集合进行交叉验证。使用决策树模板，指定每个树应该只分割一次。
rng (1);%的再现性t = templateTree (“MaxNumSplits”1);Mdl = fitrensemble (X,英里/加仑,“学习者”t“CrossVal”，“上”）;
Mdl是一个RegressionPartitionedEnsemble模型。
绘制累积的，10倍交叉验证，均方误差(MSE)。显示估计的集合泛化误差。
kflc = kfoldLoss (Mdl,“模式”，“累积”）;图;情节(kflc);ylabel (“旨在MSE 10倍”）;包含(“学习周期”）;
estGenError = kflc(结束)
estGenError = 26.2356
kfoldLoss默认情况下返回泛化错误。然而，绘制累积损失可以让您监控损失是如何随着弱学习者在集成中积累而变化的。
在累积了大约30个弱学习者后，整体的MSE达到23.5左右。
如果您对集合的泛化误差满意，那么，为了创建预测模型，使用除交叉验证之外的所有设置再次训练集合。然而，优化超参数是一种很好的实践，比如每棵树的最大决策分割次数和学习周期的数量。
优化回归合奏
此示例演示如何使用自动优化超参数fitrensemble．该示例使用carsmall数据。
加载数据。
负载carsmall
通过使用自动超参数优化，您可以找到最小化五倍交叉验证损失的超参数。
Mdl = fitrensemble (MPG(功率、重量),“OptimizeHyperparameters”，“汽车”）
在本例中，为了再现性，设置随机种子并使用“expected-improvement-plus”采集功能。此外，对于随机森林算法的再现性，指定“复制”名称-值对参数as真正的树的学习者。
rng (“默认”t = templateTree(“复制”,真正的);Mdl = fitrensemble (MPG(功率、重量),“OptimizeHyperparameters”，“汽车”，“学习者”t.．.“HyperparameterOptimizationOptions”结构(“AcquisitionFunctionName”，“expected-improvement-plus”）)
|===================================================================================================================================| | Iter | Eval |目的:| |目的BestSoFar | BestSoFar | |方法NumLearningC - | LearnRate | MinLeafSize | | | |结果日志(1 +损失)运行时| |(观察)| (estim) | |永昌龙 | | | |===================================================================================================================================| | 最好1 | | 2.9726 | 19.153 | 2.9726 | 2.9726 |袋| 413 | - | 1 | | 2 |接受| 6.2619 | 1.4381 | 2.9726 | 3.6133 | LSBoost 57 | | 0.0016067 | 6 | | 3 |接受| 2.9975 | 0.78919 | 2.9726 | 2.9852 |32袋| | - | 2 | | 4 |接受| 4.1897 | 1.0604 | 2.9726 | 2.972 |包55 40 | | - - - | | | 5 |接受| 6.3321 | 1.5364 | 2.9726 | 2.9715 | LSBoost 55 | | 0.001005 | 2 | | 6 |的| 2.9714 | 0.8955 | 2.9714 | 2.9715 |袋| 39 | - | 1 | | 7最好| | 2.9615 | 1.1928 | 2.9615 | 2.9681 | 55袋| | - | 1 | | |接受8 | 2.9756 | 6.4121 | 2.9615 | 2.97 |袋| 333 | - | 1 | | | 9日接受| 4.1881 | 0.8442 | 2.9615 | 2.9701 | LSBoost 28 50 | 0.50579 | | | | | 10接受| 3.6997 | 1.8852 | 2.9615 |2.9701 | LSBoost | 79 | 0.99445 | 1 | | | 11日接受| 3.5469 | 9.2255 | 2.9615 | 2.9701 | LSBoost | 436 | 0.12687 | 1 | | | 12日接受| 4.1882 | 4.0853 | 2.9615 | 2.9701 | LSBoost | 104 | 0.051881 | 50 | | | 13日接受| 3.3774 | 9.5775 | 2.9615 | 2.9702 | LSBoost | 437 | 0.013501 | 1 | | | 14日接受| 3.4396 | 5.9035 | 2.9615 | 2.9702 | LSBoost | 281 | 0.034144 | 1 | | 15 |接受| 3.4666 | 1.1124 | 2.9615 | 2.9702 | LSBoost | 21 | 0.35695 | 1 | | | 16日接受| 4.43 | 4.958 | 2.9615 | 2.9701 |50 LSBoost | 193 | 0.0088369 | | | | 17日接受| 6.4004 | 0.6677 | 2.9615 | 2.97 | LSBoost | 23 | 0.0010034 | 49 | | | 18日接受| 3.4832 | 10.044 | 2.9615 | 2.9701 | LSBoost | 480 | 0.99944 | 14 | |最好19 | | 2.9192 | 0.5976 | 2.9192 | 2.9197 | LSBoost | 17 | 0.17597 | 10 | | 20 |接受| 3.5303 | 7.4081 | 2.9192 | 2.9198 | LSBoost | 344 | 0.27755 | 5 | |===================================================================================================================================| | Iter|Eval | Objective: | Objective | BestSoFar | BestSoFar | Method | NumLearningC-| LearnRate | MinLeafSize | | | result | log(1+loss) | runtime | (observed) | (estim.) | | ycles | | | |===================================================================================================================================| | 21 | Accept | 4.3089 | 0.48435 | 2.9192 | 2.9198 | LSBoost | 13 | 0.14841 | 49 | | 22 | Accept | 3.0354 | 3.3554 | 2.9192 | 2.9199 | LSBoost | 148 | 0.06117 | 10 | | 23 | Best | 2.8658 | 0.40038 | 2.8658 | 2.866 | Bag | 10 | - | 6 | | 24 | Accept | 2.9506 | 0.33879 | 2.8658 | 2.8667 | Bag | 10 | - | 4 | | 25 | Accept | 2.8664 | 0.37114 | 2.8658 | 2.8658 | Bag | 10 | - | 9 | | 26 | Accept | 2.9071 | 0.93055 | 2.8658 | 2.8659 | LSBoost | 35 | 0.12356 | 13 | | 27 | Best | 2.819 | 10.398 | 2.819 | 2.827 | Bag | 494 | - | 7 | | 28 | Accept | 2.8327 | 9.2082 | 2.819 | 2.8308 | Bag | 492 | - | 7 | | 29 | Accept | 2.8205 | 9.247 | 2.819 | 2.8269 | Bag | 495 | - | 7 | | 30 | Accept | 2.8228 | 9.335 | 2.819 | 2.8258 | Bag | 492 | - | 7 |
__________________________________________________________ 优化完成。最大目标:达到30。总功能评估:30总运行时间:152.9867秒总目标功能评估时间:132.8552最佳观测可行点:Method NumLearningCycles LearnRate MinLeafSize ______ _________________ _________ ___________ Bag 494 NaN 7观测目标函数值= 2.819估计目标函数值= 2.8258函数评估时间= 10.82最佳估计可行点(根据模型):方法NumLearningCycles LearnRate MinLeafSize ______ _________________ _________ ___________ Bag 495 NaN 7估计的目标函数值= 2.8258估计的函数评估时间= 9.9223
Mdl = RegressionBaggedEnsemble ResponseName: 'Y' CategoricalPredictors: [] ResponseTransform: 'none' NumObservations: 94 HyperparameterOptimizationResults: [1x1 BayesianOptimization] numtrainationresults: 495 Method: 'Bag' LearnerNames: {'Tree'} reasonforterminate: '完成所要求的训练周期数后正常终止。'FitInfo: [] FitInfoDescription: 'None' Regularization: [] FResample: 1 Replace: 1 UseObsForLearner: [94x495 logical] Properties, Methods
优化研究了回归方法(袋而且LSBoost),在NumLearningCycles,在LearnRate为LSBoost，和越过树的学习者MinLeafSize．输出是估计交叉验证损失最小的集合回归。
使用交叉验证优化回归集合
创建具有令人满意预测性能的增强回归树集合的一种方法是使用交叉验证调整决策树的复杂性级别。在寻找最优的复杂度水平时，调整学习率以最小化学习周期的数量。
此示例通过使用交叉验证选项手动查找最佳参数“KFold”名称-值对参数)和kfoldLoss函数。或者，您也可以使用“OptimizeHyperparameters”名称-值对参数自动优化超参数。看到优化回归合奏．
加载carsmall数据集。选择气缸的数量，容积取代气缸，马力和重量作为燃料经济性的预测。
负载carsmall台=表(汽缸、排量、马力、重量、MPG);
用于提升回归树的树深度控制器的默认值是:
10为MaxNumSplits．5为MinLeafSize10为MinParentSize
搜索最优的树复杂度级别:
交叉验证一组集成。将后续集成从决策残桩(一次分裂)到最多的树复杂度水平指数级增加n- 1分裂。n是样本容量。另外，将每个集成的学习率变化在0.1到1之间。
估计每个集合的交叉验证均方误差。
tree-complexity水平 ， ，通过将集合的累积、交叉验证的MSE与学习周期的数量绘图来比较。在同一幅图上分别绘制每种学习率的曲线。
选择MSE最小的曲线，记下相应的学习周期和学习率。
交叉验证深度回归树和树桩。因为数据包含缺失的值，所以使用代理分割。这些回归树作为基准。
rng (1)%的再现性MdlDeep = fitrtree(资源描述,“英里”，“CrossVal”，“上”，“MergeLeaves”，“关闭”，.．.“MinParentSize”, 1“代孕”，“上”）;MdlStump = fitrtree(资源描述,“英里”，“MaxNumSplits”, 1“CrossVal”，“上”，.．.“代孕”，“上”）;
使用5倍交叉验证对150个增强回归树的集合进行交叉验证。使用树模板:
使用序列中的值改变最大分割数 ．米是这样的, 并不比n- 1。
打开代理拆分。
对于每个变量，使用集合{0.1,0.25,0.5,1}中的每个值调整学习率。
n =大小(1台);M = floor(log2(n - 1));learnRate = [0.1 0.25 0.5 1];numLR =元素个数(learnRate);maxNumSplits = 2。^ (0:m);numMNS =元素个数(maxNumSplits);numTrees = 150;Mdl =细胞(numMNS numLR);为k = 1: numLR为j = 1:numMNS t = templateTree(“MaxNumSplits”maxNumSplits (j),“代孕”，“上”）;Mdl {j, k} = fitrensemble(资源描述,“英里”，“NumLearningCycles”numTrees,.．.“学习者”t“KFold”5,“LearnRate”, learnRate (k));结束结束
估计每个集合的累积、交叉验证的均方误差。
kflAll = @ (x) kfoldLoss (x,“模式”，“累积”）;errorCell = cellfun (Mdl kflAll,“统一”、假);error =重整(cell2mat(errorCell)，[numTrees numel(maxnumslices) numel(learnRate)]);errorDeep = kfoldLoss (MdlDeep);errorStump = kfoldLoss (MdlStump);
绘制交叉验证的MSE如何随着集合中树的数量的增加而表现。在同一地块上绘制关于学习率的曲线，并为不同的树复杂度水平绘制单独的地块。选择要绘制的树复杂度级别的子集。
mnsPlot = [1 round(numel(maxnumfragments)/2) numel(maxnumfragments)];图;为k = 1:3次要情节(2 2 k)情节(挤压(错误(:,mnsPlot (k):)),“线宽”2)轴紧持有在甘氨胆酸h =;情节(h。XLim,[errorDeep errorDeep],“。b”，“线宽”, 2)情节(h。XLim,[errorStump errorStump],“r”，“线宽”2)图(h.XLim min(最低(错误(:,mnsPlot (k):)))。* [1],“——k”h.YLim = [10 50];包含(树木的数量) ylabel (“旨在MSE”)标题(sprintf (“MaxNumSplits = % 0.3 g”maxNumSplits (mnsPlot (k))))从结束hL =传奇([cellstr num2str (learnRate ',“学习率= %0.2f”));.．.“深树”；“树桩”；“最小MSE。”]);hL.Position (1) = 0.6;
每条曲线都包含一个最小的交叉验证MSE，它出现在集合中树的最优数量处。
确定最大的分裂数，树的数量，以及产生最低的总体MSE的学习率。
[minErr, minErrIdxLin] = min(错误(:));[idxNumTrees, idxMNS idxLR] = ind2sub(大小(错误),minErrIdxLin);流(“\ nMin。MSE = % 0.5 f 'minErr)
最小MSE = 16.77593
流(“\ nOptimal参数值:\ nNum。树= % d ', idxNumTrees);
最佳参数值:Num. Trees = 78
流('\ nmaxnumpartitions = %d\nLearning Rate = %0.2f\n'，.．.maxNumSplits (idxMNS) learnRate (idxLR))
maxnumslices = 1学习率= 0.25
基于最优超参数和整个训练集创建一个预测集合。
tFinal = templateTree (“MaxNumSplits”maxNumSplits (idxMNS),“代孕”，“上”）;MdlFinal = fitrensemble(资源描述,“英里”，“NumLearningCycles”idxNumTrees,.．.“学习者”tFinal,“LearnRate”learnRate (idxLR))
MdlFinal = RegressionEnsemble PredictorNames: {1x4 cell} ResponseName: 'MPG' CategoricalPredictors: [] ResponseTransform: 'none' NumObservations: 94 numtraining: 78 Method: 'LSBoost' LearnerNames: {'Tree'} reasonforterminate: '完成所请求的训练周期数后正常终止。'FitInfo: [78x1 double] FitInfoDescription: {2x1 cell}规范化:[]属性，方法
MdlFinal是一个RegressionEnsemble．要预测给定汽缸数量、汽缸排量、马力和重量的汽车的燃油经济性，您可以传递预测器数据和MdlFinal来预测．
使用交叉验证选项(“KFold”)和kfoldLoss函数，您可以使用“OptimizeHyperparameters”名称-值对的论点。当你指定“OptimizeHyperparameters”，软件利用贝叶斯优化算法自动找到最优参数。得到的最佳值“OptimizeHyperparameters”可以不同于那些使用手动搜索获得的。
t = templateTree (“代孕”，“上”）;mdl = fitrensemble(资源描述,“英里”，“学习者”t.．.“OptimizeHyperparameters”，{“NumLearningCycles”，“LearnRate”，“MaxNumSplits”})
|====================================================================================================================| | Iter | Eval |目的:| |目的BestSoFar | BestSoFar | NumLearningC - | LearnRate | MaxNumSplits | | | |结果日志(1 +损失)运行时| |(观察)| (estim) |永昌龙 | | | |====================================================================================================================| | 最好1 | | 3.3955 | 0.78659 | 3.3955 | 3.3955 | 26 | 0.072054 | 3 | | 2 |接受| 6.0976 | 3.5152 | 3.3955 | 3.5549 | 170 | 70 | 0.0010295 | | 3 |最好| 3.2914 | 5.7072 | 3.2914 | 3.2917 | 273 | 0.61026 | 6 | | 4 | |6.1839 | 1.5446 | 3.2914 | 3.2915 | 80 | 0.0016871 | 1 | | 5 |的| 3.0273 | 0.39629 | 3.0273 | 3.0278 | 10 15 | 0.21599 | | | 6 |接受| 3.3234 | 0.49273 | 3.0273 | 3.1684 | 10 | 0.18084 | 4 | | 7最好| | 2.9751 | 0.33056 | 2.9751 | 3.1054 | 10 | 0.26528 | 2 | | |接受8 | 2.9829 | 0.37607 | 2.9751 | 2.9876 | 0.27312 | | 10 8 | | 9最好| | 2.8926 | 0.65738 | 2.8926 | 2.8916 | 10 | 0.33918 | 1 | | 10 |接受| 3.4117 | 0.3173 | 2.8926 | 2.8918 | 0.97894 | | 97 | | | | 11日接受35 | 3.1697 | 0.82513 | 2.8926 | 3.0546 | 0.34126 | 94 | | | 12日接受| 6.1029 | 0.52639 | 2.8926 | 3.0025 | 0.017094 | | 72 | | 13最好| | 2.8857 | 0.26296 | 2.8857 | 2.8895 | 10 | 0.33086 | 1 | | | 14日接受| 3.0897 | 0.26937 | 2.8857 | 2.8895 | 10 | 0.98558 | 1 | | |接受15 | 2.9155 | 0.25878 | 2.8857 | 2.8907 | 10 | 0.39786 | 1 | | | 16日接受| 2.9301 | 1.4465 | 2.8857 | 2.8906 | 63 | 0.13196 | 1 | | | 17日接受| 2.9423 | 0.41594 | 2.8857 | 2.8915 | 17 | 0.3125 | 1 | | | 18日接受|3.0641 | 2.2717 | 2.8857 | 2.8914 | 82 | 0.093631 | 98 | | 19 | Accept | 3.0768 | 1.5719 | 2.8857 | 2.8921 | 42 | 0.1616 | 98 | | 20 | Accept | 2.8923 | 0.44345 | 2.8857 | 2.8921 | 10 | 0.34025 | 1 | |====================================================================================================================| | Iter | Eval | Objective: | Objective | BestSoFar | BestSoFar | NumLearningC-| LearnRate | MaxNumSplits | | | result | log(1+loss) | runtime | (observed) | (estim.) | ycles | | | |====================================================================================================================| | 21 | Accept | 3.0535 | 1.0488 | 2.8857 | 2.8921 | 33 | 0.90525 | 1 | | 22 | Accept | 2.8937 | 3.8257 | 2.8857 | 2.8923 | 189 | 0.10788 | 1 | | 23 | Accept | 2.9159 | 1.2804 | 2.8857 | 2.8924 | 56 | 0.2066 | 1 | | 24 | Accept | 3.0064 | 0.33957 | 2.8857 | 2.8928 | 11 | 0.64825 | 1 | | 25 | Accept | 2.924 | 2.6837 | 2.8857 | 2.893 | 143 | 0.07429 | 1 | | 26 | Accept | 2.9278 | 2.0161 | 2.8857 | 2.8929 | 110 | 0.097036 | 1 | | 27 | Accept | 2.8927 | 9.267 | 2.8857 | 2.893 | 491 | 0.077697 | 1 | | 28 | Accept | 2.8908 | 2.2705 | 2.8857 | 2.8931 | 118 | 0.16033 | 1 | | 29 | Accept | 3.1392 | 2.8662 | 2.8857 | 2.8931 | 149 | 0.99418 | 1 | | 30 | Accept | 2.8992 | 8.9458 | 2.8857 | 2.8932 | 484 | 0.049505 | 1 |
__________________________________________________________ 优化完成。最大目标:达到30。总函数评估:30总运行时间:74.0777秒总目标函数评估时间:56.9598最佳观察可行点:NumLearningCycles LearnRate maxnum分裂_________________ _________ ____________ 10 0.33086 1观察目标函数值= 2.8857估计目标函数值= 2.8943函数评估时间= 0.26296最佳估计可行点(根据模型):NumLearningCycles LearnRate maxnumfragments _________________ _________ ____________ 10 0.34025 1估计的目标函数值= 2.8932估计的函数评估时间= 0.35464
mdl = RegressionEnsemble PredictorNames: {1x4 cell} ResponseName: 'MPG' CategoricalPredictors: [] ResponseTransform: 'none' NumObservations: 94 HyperparameterOptimizationResults: [1x1 BayesianOptimization] numtraination10 Method: 'LSBoost' LearnerNames: {'Tree'} reasonforterminate: '完成所请求的训练周期数后正常终止。'FitInfo: [10x1 double] FitInfoDescription: {2x1 cell
输入参数
输出参数
提示
算法
有关集成聚合算法的详细信息，请参见整体算法．
如果您指定
“方法”、“LSBoost”，那么该软件默认生长浅决策树。属性可以调整树深度MaxNumSplits，MinLeafSize,MinParentSize名称-值对参数使用templateTree．对于双核及以上系统，
fitrensemble使用Intel Threading Building Blocks (TBB)并行化训练。有关Intel TBB的详细信息，请参见https://www.intel.com/content/www/us/en/developer/tools/oneapi/onetbb.html．
参考文献
[1] Breiman, L.“套袋预测器。”机器学习．第26卷，第123-140页，1996年。
[2]布雷曼，L.“随机森林。”机器学习．2001年第45卷第5-32页。
Freund, Y.和R. E. Schapire。在线学习决策理论的推广及其在提升中的应用。计算机与系统科学J. J.，第55卷，119-139页，1997。
[4] Friedman, J. <贪婪函数近似:梯度增强机>。统计年鉴2001年，《中华人民共和国学报》第29卷第5期，第1189-1232页。
[5]哈斯蒂，T.， R.蒂布希拉尼，J.弗里德曼。统计学习的要素部分版，施普林格，纽约，2008。
扩展功能
版本历史
介绍了R2016b
您也可以从以下列表中选择网站: