RegressionTree类

超类:CompactRegressionTree

回归树

描述

具有用于回归的二叉分割的决策树。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，因此可以计算再替换预测。

建设

创建一个RegressionTree对象的使用fitrtree．

属性

`BinEdges`	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`“NumBins”`在用树学习器训练模型时，将名称-值参数作为正整数标量。的`BinEdges`属性为空`“NumBins”`值为空(默认)。您可以重新生成归档的预测器数据`Xbinned`通过使用`BinEdges`被训练模型的属性`mdl`． 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`离散化`函数。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`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。
`CategoricalPredictors`	分类预测指标，指定为正整数的向量。`CategoricalPredictors`包含指示相应的预测器是分类的索引值。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。如果没有一个预测器是绝对的，则此属性为空(`［］`)．
`CategoricalSplit`	一个n-by-2 cell array，其中`n`分类分裂的数量在吗`树`．在每一行`CategoricalSplit`为分类拆分提供左值和右值。对每个分支节点进行分类拆分`j`基于一个分类预测变量`z`，则选择左子结点`z`是在`CategoricalSplit (j, 1)`如果选择了正确的子结点`z`是在`CategoricalSplit (j, 2)`．拆分的顺序与树节点的顺序相同。通过运行可以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-by-2数组，其中每个节点的子节点编号`树`,在那里n是节点数。叶节点有子节点`0`．
`CutCategories`	一个n中分支使用的类别的-by-2 cell数组`树`,在那里n是节点数。对于每个分支节点`我`基于一个分类预测变量`x`，则选择左子结点`x`是在类别中列出的`CutCategories{1},我`，则选择正确的子结点`x`列在`CutCategories{2},我`．这两列的`CutCategories`对于基于连续预测器的分支节点和叶节点，为空。 `割点`的切点`“连续”`削减,`CutCategories`包含类别集。
`割点`	一个n中用作切点的值的元素向量`树`,在那里n是节点数。对于每个分支节点`我`基于连续预测变量`x`，则选择左子结点`x <割点(我)`如果选择了正确的子结点`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-element单元格数组，表示在每个节点上的切割类型`树`,在那里n是节点数。为每个节点`我`，`CutType{我}`是: `“连续”`-如果切割在表格中有定义`x < v`为一个变量`x`和减少点`v`． `“分类”`-如果切割被定义为是否一个变量`x`接受一组类别中的值。 `”`——如果`我`是叶节点。 `割点`的切点`“连续”`削减,`CutCategories`包含类别集。
`CutPredictor`	一个n用于在每个节点中分支的变量名称的单元格数组`树`,在那里n是节点数。这些变量有时被称为减少变量．叶节点,`CutPredictor`包含一个空的字符向量。 `割点`的切点`“连续”`削减,`CutCategories`包含类别集。
`CutPredictorIndex`	一个n用于在每个节点中分支的变量的数值索引数组`树`,在那里n是节点数。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描述，存储为`BayesianOptimization`对象或超参数和关联值的表。非空的时`OptimizeHyperparameters`名称-值对在创建时非空。值取决于的设置`HyperparameterOptimizationOptions`创建时的名值对: `“bayesopt”`(默认)-类的对象`BayesianOptimization` `“gridsearch”`或`“randomsearch”`-使用的超参数表，观测到的目标函数值(交叉验证损失)，以及从最低(最好)到最高(最差)的观测值排名
`IsBranchNode`	一个n元逻辑向量`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`中的节点的错误`树`,在那里n是节点数。`e(我)`是节点的均方误差吗`我`．
`NodeMean`	一个n的每个节点的平均值的元素数值数组`树`,在那里n是树中的节点数。每一个元素`NodeMean`平均值是真实的吗`Y`节点中所有观察值的值。
`NodeProbability`	一个n元向量`p`节点的概率`树`,在那里n是节点数。一个节点的概率计算为原始数据中满足该节点条件的观测值的比例。
`NodeRisk`	一个n树中节点风险的-元素向量，其中n是节点数。每个节点的风险是节点误差与节点概率的加权。
`NodeSize`	一个n元向量`大小`中的节点的大小`树`,在那里n是节点数。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`n`在`树`．
`父`	一个n元向量`p`中每个节点的父节点的编号`树`,在那里n是节点数。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`	每个修剪级别有一个元素的数字向量。如果修剪级别在0 ~米,然后`PruneAlpha`有米+ 1个元素按升序排序。`PruneAlpha (1)`为修剪级别0(不修剪)，`PruneAlpha (2)`用于修剪级别1，以此类推。
`PruneList`	一个n的每个节点的剪枝级别为的-元素数值向量`树`,在那里n是节点数。修剪级别从0(不修剪)到米,在那里米最深叶和根节点之间的距离。
`ResponseName`	一个字符向量，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。函数句柄必须接受响应值的矩阵，并返回相同大小的矩阵。默认的`“没有”`意味着`@ x (x)`，或者不进行变换。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，指示原始预测器数据的行(`X`)被用于装配。如果软件使用所有行`X`,然后`RowsUsed`是一个空数组(`［］`)．
`SurrogateCutCategories`	一个n中用于代理拆分的类别的-element单元格数组`树`,在那里n节点数在吗`树`．为每个节点`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。每个元素的`SurrogateCutCategories {k}`是连续代理预测器的空字符向量，或者是类别代理预测器的带类别的双元素单元格数组。这个双元素单元格数组的第一个元素列出由代理拆分分配给左子元素的类别，这个双元素单元格数组的第二个元素列出由代理拆分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其中变量的顺序相匹配`SurrogateCutPredictor`．此节点上的最佳分割变量不会出现。对于非分枝(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节点数在吗`树`．为每个节点`k`，`SurrogateCutFlip {k}`是一个数字向量。的长度`SurrogateCutFlip {k}`等于在此节点上找到的代理预测器的数量。每个元素的`SurrogateCutFlip {k}`对于类别代理预测器是零，对于连续代理预测器是数值切割赋值。数字切割分配可以是-1或+1。对于每一个用数字切割的代理分割C基于连续预测变量Z，则选择左子结点Z<C这个代理分割的切割分配是+1，或者Z≥C代理分割的切割分配是-1。类似地，如果选择正确的子结点Z≥C这个代理分割的切割分配是+1，或者Z<C代理分割的切割分配是-1。每个节点上的代理拆分变量的顺序与其中变量的顺序相匹配`SurrogateCutPredictor`．此节点上的最佳分割变量不会出现。对于非分枝(叶)节点，`SurrogateCutFlip`包含一个空数组。
`SurrogateCutPoint`	一个n中用于代理分割的数值的单元格数组`树`,在那里n节点数在吗`树`．为每个节点`k`，`SurrogateCutPoint {k}`是一个数字向量。的长度`SurrogateCutPoint {k}`等于在此节点上找到的代理预测器的数量。每个元素的`SurrogateCutPoint {k}`要么是`南`对于类别替代预测器，或连续替代预测器的数字切割。对于每一个用数字切割的代理分割C基于连续预测变量Z，则选择左子结点Z<C而且`SurrogateCutFlip`对于这个代理程序拆分为+1，或者ifZ≥C而且`SurrogateCutFlip`对于这个代理程序的分割是-1。类似地，如果选择正确的子结点Z≥C而且`SurrogateCutFlip`对于这个代理程序拆分为+1，或者ifZ<C而且`SurrogateCutFlip`对于这个代理程序的分割是-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。对于非分枝(叶)节点，`SurrogateCutPoint`包含一个空单元格。
`SurrogateCutType`	一个n-element单元格数组，指示在中的每个节点上代理拆分的类型`树`,在那里n节点数在吗`树`．为每个节点`k`，`SurrogateCutType {k}`是一个单元格数组，其中包含此节点上的代理拆分变量的类型。变量按与最优预测因子关联的预测测度按降序排序，只有预测测度为正的变量被包括在内。每个节点上的代理拆分变量的顺序与其中变量的顺序相匹配`SurrogateCutPredictor`．此节点上的最佳分割变量不会出现。对于非分枝(叶)节点，`SurrogateCutType`包含一个空单元格。代理分离类型可以是其中之一`“连续”`如果切割是定义在形式`Z`<`V`为一个变量`Z`和减少点`V`或`“分类”`如果切割是由是否`Z`接受一组类别中的值。
`SurrogateCutPredictor`	一个n中的每个节点中用于代理拆分的变量名称的-element单元格数组`树`,在那里n节点数在吗`树`．每个元素的`SurrogateCutPredictor`是一个单元格数组，其中包含此节点上的代理拆分变量的名称。变量按与最优预测因子关联的预测测度按降序排序，只有预测测度为正的变量被包括在内。此节点上的最佳分割变量不会出现。对于非分枝(叶)节点，`SurrogateCutPredictor`包含一个空单元格。
`SurrogatePredictorAssociation`	一个n中代理分裂的关联预测度量的-元素单元数组`树`,在那里n节点数在吗`树`．为每个节点`k`，`SurrogatePredictorAssociation {k}`是一个数字向量。的长度`SurrogatePredictorAssociation {k}`等于在此节点上找到的代理预测器的数量。每个元素的`SurrogatePredictorAssociation {k}`给出了最佳分割和代理分割之间关联的预测度量。代理拆分变量在每个节点上的顺序与其中变量的顺序相同`SurrogateCutPredictor`．此节点上的最佳分割变量不会出现。对于非分枝(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每一列的`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`．中的每个条目`Y`对应行中的数据是否响应`X`．

对象的功能

`紧凑的`	紧凑的回归树
`crossval`	旨在决策树
`cvloss`	交叉验证的回归误差
`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
`nodeVariableRange`	检索决策树节点的变量范围
`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`	使用回归树预测响应
`predictorImportance`	预测因子对回归树重要性的估计
`修剪`	通过修剪产生回归子树序列
`resubLoss`	由再替换引起的回归误差
`resubPredict`	预测树木的复代反应
`沙普利`	沙普利值
`surrogateAssociation`	回归树中代理分叉关联的平均预测测度
`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

构建回归树

打开生活的脚本

加载样例数据。

负载carsmall

使用示例数据构造一个回归树。响应变量是每加仑英里数，MPG。

([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磅的4、6、8汽缸汽车的里程。

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

MPG4Kpred =3×119.2778 19.2778 14.3889

参考文献

[1]布莱曼，L.， J.弗里德曼，R.奥申，C.斯通。分类与回归树．佛罗里达州博卡拉顿:CRC出版社，1984。

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预测在统计和机器学习工具箱™库或MATLAB中^®函数块中包含预测函数。
训练回归树模型时使用fitrtree，适用以下限制。
- 的值“ResponseTransform”名称-值对参数必须为“没有”(默认)。
- 的值不能使用代理分割“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程序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。要在模型中包含类别预测器，可以使用dummyvar在拟合模型之前。