通过重新采样得到回归集合
RegressionBaggedEnsemble
结合一组训练过的弱学习器模型和这些学习器训练过的数据。它可以通过聚合来自弱学习器的预测来预测新数据的集成响应。
使用创建袋装回归集成对象fitrensemble
.
|
分类预测指标,指定为正整数向量。 |
|
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 |
|
拟合信息的数字数组。的 |
|
字符向量描述的含义 |
|
数值标量 |
|
超参数的交叉验证优化的描述,存储为
|
|
集合中包含弱学习器名称的字符向量的单元数组。每个学习者的名称只出现一次。例如,如果你有100棵树的集合, |
|
带有算法名称的字符向量 |
|
训练参数 |
|
包含训练数据中观察数的数字标量。 |
|
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,表示该集合中弱学习器的训练数据是否经过替换采样。 |
|
具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。 |
|
集合分配给它的学习器的权重的数字向量。集成通过聚合来自其学习者的加权预测来计算预测的响应。 |
|
大小的逻辑矩阵 |
|
的比例 |
|
训练集合的预测值矩阵。的每一列 |
|
具有相同行数的数值列向量 |
oobLoss | 袋外回归误差 |
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 | 预测整体的袋外反应 |
紧凑的 | 创建紧凑的回归集成 |
crossval | 交叉验证集成 |
cvshrink | 交叉验证收缩(修剪)集成 |
规范 | 找到最小重替换误差和惩罚项的权重 |
resubLoss | 回归误差的再替换 |
resubPredict | 用置换法预测系统的响应 |
重新开始 | 简历培训套装 |
缩小 | 修剪合奏 |
损失 | 回归误差 |
预测 | 使用回归模型集成预测响应 |
predictorImportance | 预测因素重要性的估计 |
removeLearners | 删除紧凑回归集成的成员 |
价值。要了解值类如何影响复制操作,请参见复制对象(MATLAB)。
对于一个袋装的回归树集合,训练有素的
的属性实体
存储的单元格向量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})