RegressionBaggedEnsemble类

超类:RegressionEnsemble

通过重新采样得到回归集合

展开全部页面

描述

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。

建设

使用创建袋装回归集成对象fitrensemble．

属性

`CategoricalPredictors`	分类预测指标，指定为正整数向量。`CategoricalPredictors`包含与包含分类预测器的预测器数据列对应的索引值。如果没有一个预测符是分类的，则此属性为空(`［］`）.
`CombineWeights`	描述集合如何结合学习者预测的字符向量。
`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`．
`FitInfo`	拟合信息的数字数组。的`FitInfoDescription`属性描述此数组的内容。
`FitInfoDescription`	字符向量描述的含义`FitInfo`数组中。
`FResample`	数值标量`0`而且`1`．`FResample`训练数据的分数是多少`fitrensemble`在构建集成时，对每个弱学习器进行随机重采样。
`HyperparameterOptimizationResults`	超参数的交叉验证优化的描述，存储为`BayesianOptimization`对象或超参数及相关值的表。当`OptimizeHyperparameters`名称-值对在创建时是非空的。属性的设置`HyperparameterOptimizationOptions`创建时的名称-值对: `“bayesopt”`(默认)-类的对象`BayesianOptimization` `“gridsearch”`或`“randomsearch”`-使用的超参数表，观察到的目标函数值(交叉验证损失)，以及从最低(最好)到最高(最差)的观察值排序
`LearnerNames`	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，`LearnerNames`是`{'树'}`．
`方法`	带有算法名称的字符向量`fitrensemble`用于训练整个乐团。
`ModelParameters`	训练参数`实体`．
`NumObservations`	包含训练数据中观察数的数字标量。
`NumTrained`	集合中受过训练的学习者的数量，一个正标量。
`PredictorNames`	预测变量名称的单元格数组，按它们出现的顺序排列`X`．
`ReasonForTermination`	描述原因的字符向量`fitrensemble`停止向集合中添加弱学习器。
`正则化`	方法的结果的结构`规范`方法。使用`正则化`与`缩小`降低复代误差，缩小集合。
`取代`	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。`取代`是`真正的`对于替换抽样，`假`否则。
`ResponseName`	具有响应变量名称的字符向量`Y`．
`ResponseTransform`	转换分数的函数句柄，或表示内置转换函数的字符向量。`“没有”`表示没有变换;同样,`“没有”`意味着`@ x (x)`．添加或更改`ResponseTransform`函数使用点表示法: ens.ResponseTransform = @函数
`训练有素的`	训练有素的学习者，一个单元阵列的紧凑回归模型。
`TrainedWeights`	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。
`UseObsForLearner`	大小的逻辑矩阵`N`——- - - - - -`NumTrained`,在那里`N`训练数据中的行数(观测值)是多少`X`,`NumTrained`是受过训练的弱学习者的数量。`UseObsForLearner (I, J)`是`真正的`如果观察`我`是用来训练学习者的`J`，并且是`假`否则。
`W`	的比例`权重`，一个有长度的向量`n`的行数`X`．的元素之和`W`是`1`．
`X`	训练集合的预测值矩阵。的每一列`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`这训练了整个乐团。每一项`Y`的对应行中的数据是否响应`X`．

方法

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

继承的方法

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

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(MATLAB)。

例子

全部折叠

训练回归树的袋装集合

打开实时脚本

加载carsmall数据集。考虑一个解释汽车燃油经济性的模型(英里/加仑)利用其重量(重量)及气缸数目(气缸）.

负载carsmallX =[重量钢瓶];Y = mpg;

使用所有测量值训练100个回归树的集合。

rng (1)%用于再现性Mdl = fitrensemble(X,Y，“方法”，“包”）

Mdl = classreg.learning.regr.RegressionBaggedEnsemble ResponseName: 'Y' CategoricalPredictors: [] ResponseTransform: 'none' NumObservations: 94 NumTrained: 100 Method: 'Bag' LearnerNames: {'Tree'} reasonforterminate: '完成所要求的训练周期数后正常终止。'FitInfo: [] FitInfoDescription: 'None'正则化:[]FResample: 1替换:1 UseObsForLearner: [94x100 logical]属性，方法

Mdl是一个RegressionBaggedEnsemble模型对象。

Mdl。训练有素的属性，用于存储经过训练的紧凑回归树的100 × 1单元格向量(CompactRegressionTree模型对象)组成集成。

绘制第一个训练的回归树的图。

视图(Mdl。训练有素的{1},“模式”，“图”）

默认情况下,fitrensemble长到很深的树里。

估计样本内均方误差(MSE)。

L = resubLoss(Mdl)

L = 12.5791

提示

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.NumTrainedCompactRegressionTree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})

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:

只有预测函数支持代码生成。万博1manbetx
当你用fitrensemble，回归树的代码生成限制也适用于回归树的集合。详情请参见代码生成的CompactRegressionTree类。

有关代码生成示例，请参见用于预测的代码生成工作流而且为代码生成指定可变大小的参数．有关更多信息，请参阅中的主题代码生成．

另请参阅

RegressionEnsemble|fitrensemble|plotPartialDependence|视图

在R2011a中引入

这个话题有用吗?

统计和机器学习工具箱文档

万博1manbetx

试试MATLAB、Sim万博1manbetxulink和其他产品s manbetx 845

现在就去审判吧

文档