在MATLAB^®，加载carbig数据集并创建一个包含不同变量的表:

负载carbigcartable = table(加速度，汽缸，排水量，.．.马力,Model_Year、重量、起源、MPG);

在应用程序选项卡，在机器学习和深度学习组中,单击回归的学习者．

在回归的学习者选项卡，在文件部分中,选择从工作区新建会话>．

下数据集变量在“从工作区新建会话”对话框中，选择cartable从工作空间中的表和矩阵列表中获取。

观察到应用程序已经预选了响应和预测变量。英里/加仑作为响应，所有其他变量作为预测量。对于本例，不要更改选择。

若要接受默认验证方案并继续，请单击开始会议．默认的验证选项是交叉验证，以防止过拟合。

回归学习者创建一个响应的图，记录数字在x设在。

使用响应图来研究哪些变量对预测响应是有用的。中选择不同的变量，以可视化不同预测器与响应之间的关系X列表下轴在情节的右边。

观察哪些变量与回答的相关性最明显。位移，马力,重量所有这些都对反应有明显的影响，而且都显示出与反应的负相关。

选择变量起源下轴．系统自动弹出框图。箱形图显示响应的典型值和任何可能的异常值。当绘制标记导致许多点重叠时，箱形图很有用。的变量时显示框图x-axis很少有惟一值，在风格中,选择箱线图．

训练选择的回归树。的模型窗格已经包含了一个很好的树模型。将中型和粗树模型添加到草稿模型列表中。在回归的学习者选项卡，在模型部分，单击箭头打开图库。在回归树组中,单击中树．该应用程序在模型窗格。重新打开模型库并单击粗树在回归树组。该应用程序创建一个草稿粗树模型窗格。

在火车部分中,点击火车都并选择火车都．该应用程序训练三种树模型，并绘制每个模型的真实训练响应和预测响应。

在模型窗格，检查RMSE(验证)(验证均方根误差)。最好的分数在一个方框中突出显示。

的好树和中树具有相似的rmse，而粗树不太准确。

选择一个模型在模型窗格以查看该模型的结果。例如，选择中树模型(模型2)响应图选项卡,在轴中,选择马力然后检查响应图。真实反应和预测反应都画出来了。显示预测误差，在预测响应和真实响应之间画出竖线错误复选框。

在模型中查看当前选择模型的更多详细信息总结选项卡。在回归的学习者选项卡，在模型部分中,点击总结．检查和比较其他模型特征，如r平方(决定系数)，MAE(平均绝对误差)和预测速度。要了解更多，请参见在“摘要”选项卡和“模型”窗格中查看模型统计信息．在总结选项卡中，您还可以找到关于当前所选模型类型的详细信息，例如用于训练模型的超参数。

绘制预测反应与真实反应的对比图。在回归的学习者选项卡，在情节与解读部分，单击箭头打开图库，然后单击预测与实际(验证)在验证结果组。使用此图可以了解回归模型对不同响应值的预测效果。

一个完美的回归模型预测的响应等于真实的响应，所以所有的点都在一条对角线上。直线到任意点的垂直距离是对该点的预测误差。一个好的模型误差很小，所以预测是分散在直线附近的。通常一个好的模型的点大致对称地分布在对角线周围。如果您能在图中看到任何清晰的模式，那么很可能可以改进您的模型。

中选择其他模型模型窗格，打开每个模型的预测与实际图，然后比较结果。重新排列情节的布局，以便更好地比较情节。单击位于模型图选项卡最右边的Document Actions箭头。选择瓷砖都选项并指定1 × 3的布局。单击隐藏情节选项按钮在地块的右上方，为地块腾出更多空间。

若要返回原始布局，可单击布局按钮中的情节与解读分段并选择单型号(默认)．

在模型画廊,选择所有的树在回归树组。为了改进树模型，需要在模型中包含不同的特征。看看是否可以通过删除预测能力较低的特征来改进模型。

在回归的学习者选项卡，在选项部分中,点击特征选择．

在默认特性选择选项卡，您可以选择不同的特征排序算法，以确定最重要的特征。在你选择一个特征排序算法后，应用程序会显示一个排序后的特征重要性分数的图表，其中较大的分数(包括正S)表示更大的特征重要性。该表显示了排名的功能及其得分。

在本例中，两个MRMR而且方差齐性检验特征排序算法对加速和原产国预测器的排序最低。该应用程序禁用RReliefF选项，因为预测器包含数字变量和类别变量的混合。

下特征排序算法,点击方差齐性检验．下特征选择，使用默认选项，选择排名最高的特性，以避免验证指标的偏差。指定为模型训练保留7个特性中的4个。

点击保存并应用．应用程序将特性选择更改应用到当前草稿模型和使用模型画廊。

使用简化的特征集训练树模型。在回归的学习者选项卡，在火车部分中,点击火车都并选择火车都或选择火车．

观察新模型模型窗格。这些模型是与以前相同的回归树，但只使用7个预测因子中的4个进行训练。该应用程序显示使用了多少预测器。中单击模型以查看使用了哪些预测器模型窗格中的复选框，并注意展开的特征选择模型截面总结选项卡。

去掉这三个特征的模型表现不如使用所有预测因子的模型。一般来说，如果数据收集昂贵或困难，您可能更喜欢一个不需要一些预测器就能令人满意地执行的模型。

训练三个回归树预设只使用马力作为一种预测。在模型画廊,选择所有的树在回归树组。在模型中总结选项卡，展开特征选择部分。选择选择单独的功能选项，并清除除马力．在回归的学习者选项卡，在火车部分中,点击火车都并选择选择火车．

仅使用发动机功率作为预测器，会导致模型精度较低。然而，这些模型在只使用单一预测因子的情况下表现良好。在这个简单的一维预测空间中，粗树的表现与中树和细树一样好。

选择最好的型号模型窗格并查看残差图。在回归的学习者选项卡，在情节与解读部分，单击箭头打开图库，然后单击残差(验证)在验证结果组。残差图显示了预测和真实反应之间的差异。将残差显示为线形图，在风格部分中,选择行．

下轴，选择要在x设在。选择真实响应、预测响应、记录数或其中一个预测因子。

通常一个好的模型有残差大致对称地分布在0附近。如果你能在残差中看到任何清晰的模式，你就有可能改进你的模型。

中选择最佳模型以了解模型超参数设置模型窗格并展开模型Hyperparameters模型中的部分总结选项卡。比较粗、中、细树模型，并注意模型超参数的差异。特别是最小叶尺寸粗树设置为36，中树设置为12，细树设置为4。此设置控制树叶的大小，并通过该设置控制回归树的大小和深度。

要尝试改进最佳模型(使用所有预测器训练的中等树)，请更改最小叶尺寸设置。首先，单击模型窗格。在回归的学习者选项卡，在模型部分中,点击重复的．在总结选项卡，更改最小叶尺寸取值为8。然后，在火车部份回归的学习者选项卡上,单击火车都并选择选择火车．

要了解关于回归树设置的更多信息，请参见回归树．

您可以将所选模型的完整或精简版本导出到工作区。在回归的学习者选项卡，在出口部分中,点击出口模式选择其中一个出口模式或出口紧凑型．在“导出模型”对话框中，单击好吧接受默认变量名trainedModel．

要查看有关结果的信息，请查看命令窗口。

使用导出的模型对新数据进行预测。例如，预测cartable工作区中的数据，输入:

yfit = trainedModel.predictFcn(cartable)

如果您想用新数据自动化训练相同的模型，或者学习如何以编程方式训练回归模型，您可以从应用程序生成代码回归的学习者选项卡，在出口部分中,点击生成函数．

该应用程序从您的模型生成代码，并在MATLAB编辑器中显示该文件。要了解更多，请参见生成MATLAB代码，用新数据训练模型．

在回归的学习者选项卡，在模型部分中，单击箭头打开回归模型库。

在开始组中,单击所有．

在火车部分中,点击火车都并选择火车都．