回归树集合

随机森林，增强和袋装回归树

回归树集合是由多个回归树的加权组合组成的预测模型。一般来说，组合多个回归树可以提高预测性能。要使用LSBoost增强回归树，请使用fitrensemble．打包回归树或随机生长森林[12],使用fitrensemble或TreeBagger．要使用一袋回归树实现分位数回归，请使用TreeBagger．

有关分类集成，如增强或袋装分类树、随机子空间集成或用于多类分类的纠错输出代码(ECOC)模型，请参见分类集合体．

应用程序

回归的学习者

使用监督机器学习训练回归模型来预测数据

块

RegressionEnsemble预测

使用决策树集合预测回归响应

功能

全部展开

回归合奏

创建回归集成

`fitrensemble`	为回归拟合学习器集合
`紧凑的`	创建紧凑的回归集成
`fitensemble`	拟合学习器集合用于分类和回归

修改回归集成

`规范`	找到最小重替换误差和惩罚项的权重
`removeLearners`	删除紧凑回归集成的成员
`重新开始`	简历培训套装
`缩小`	修剪合奏

交叉验证回归集成

`cvshrink`	交叉验证收缩(修剪)集成
`kfoldLoss`	交叉验证分区回归模型的损失
`kfoldPredict`	在交叉验证回归模型中预测观察结果的响应
`kfoldfun`	回归的交叉验证函数

测量性能

`损失`	回归误差
`resubLoss`	回归误差的再替换

分类的观察

`预测`	使用回归模型集成预测响应
`resubPredict`	用置换法预测系统的响应

回归集合的集合性质

`收集`	收集属性统计和机器学习工具箱来自GPU的对象

袋装回归树

`fitrensemble`	为回归拟合学习器集合
`TreeBagger`	袋装决策树的集合
`预测`	使用袋装决策树的集合预测响应
`oobPredict`	袋外观测的集合预测
`quantilePredict`	使用回归树袋预测响应分位数
`oobQuantilePredict`	从袋回归树的袋外观测的分位数预测

提高回归

crossval 交叉验证集成

解释回归

`石灰`	局部可解释模型不可知解释(LIME)
`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)
`predictorImportance`	回归集合预测因子重要性的估计
`沙普利`	沙普利值

类

全部展开

回归合奏

`RegressionEnsemble`	整体回归
`CompactRegressionEnsemble`	紧凑回归集成类
`RegressionPartitionedEnsemble`	交叉验证回归集成

袋装回归树

`TreeBagger`	袋装决策树的集合
`CompactTreeBagger`	袋装决策树的紧凑集合
`RegressionBaggedEnsemble`	通过重新采样得到回归集合

主题

整体算法
了解集成学习的不同算法。
集成学习框架
通过使用许多弱学习器获得高度准确的预测。
列车回归集合
训练一个简单的回归集合。
测试集成质量
学习评估集成的预测质量的方法。
选择随机森林的预测器
利用交互测试算法选择随机森林的分裂预测因子。
合奏正规化
在不降低预测性能的情况下，自动为集成选择更少的弱学习器。
使用TreeBagger的回归树的Bootstrap聚合(Bagging)
创建一个TreeBagger回归集成。
在回归TreeBagger工作流中使用并行处理
通过运行来加快计算速度TreeBagger并行执行。
使用分位数回归检测异常值
使用分位数随机森林检测数据中的异常值。
使用核平滑的条件分位数估计
使用分位数随机森林和使用核平滑估计响应的条件分布函数来估计给定预测数据的响应的条件分位数。
使用分位数误差和贝叶斯优化调整随机森林
使用贝叶斯优化调优分位数随机森林。
使用RegressionEnsemble预测块预测响应
训练一个具有最优超参数的回归集成模型，然后使用RegressionEnsemble预测块用于响应预测。
使用增强回归树集合的时间序列预测
使用增强回归树集合执行单步和多步时间序列预测。