TreeBagger类
袋决策树
描述
TreeBagger
包的整体决策树分类或回归。装袋代表引导聚合。合奏的每棵树生长在一个独立输入数据引导的复制品。观察不包括在这个副本是这棵树的“包”。
TreeBagger
依赖于ClassificationTree
和RegressionTree
功能越来越多个人树。特别是,ClassificationTree
和RegressionTree
接受的数量特征随机选择分割作为一个可选的输入参数为每个决定。也就是说,TreeBagger
实现了随机森林算法[1]。
对于回归问题,TreeBagger
万博1manbetx支持的意思,分位数回归(即分位数回归森林[2])。
预测是指反应或估计的均方误差数据,通过一个
TreeBagger
模型和数据预测
或错误
,分别。为out-of-bag观察执行类似的操作,使用oobPredict
或oobError
。估计响应分布分位数或给定的分位数错误数据,通过一个
TreeBagger
模型和数据quantilePredict
或quantileError
,分别。为out-of-bag观察执行类似的操作,使用oobQuantilePredict
或oobQuantileError
。
建设
TreeBagger | 创建决策树的袋子 |
对象的功能
附加 |
添加新树合奏 |
紧凑的 |
紧凑的决策树 |
错误 |
错误(错误分类概率或MSE) |
fillprox |
训练数据的距离矩阵 |
growTrees |
培养更多的树木和增加合奏 |
保证金 |
分类保证金 |
mdsprox |
多维标度的距离矩阵 |
meanMargin |
意思是分类保证金 |
oobError |
Out-of-bag错误 |
oobMargin |
Out-of-bag利润率 |
oobMeanMargin |
Out-of-bag意味着利润 |
oobPredict |
整体预测out-of-bag观察 |
oobQuantileError |
Out-of-bag分位数回归树的袋子的损失 |
oobQuantilePredict |
分位数预测out-of-bag观察从袋回归树 |
partialDependence |
计算部分依赖 |
plotPartialDependence |
创建部分依赖图(PDP)和个人条件期望(ICE)情节 |
预测 |
使用的袋装决策树预测反应 |
quantileError |
使用袋回归树分位数的损失 |
quantilePredict |
预测响应使用袋分位数回归树 |
属性
|
包含类名称的单元阵列的响应变量 |
|
一个逻辑标志指定out-of-bag预测训练观察是否应该计算。默认值是 如果这个标志
如果这个标志
|
|
一个逻辑标志指定是否应该计算out-of-bag估计变量的重要性。默认值是 如果这个标志
|
|
方阵, 这个属性是:
|
|
返回的默认值
|
|
数字数组大小为1×-据nvar求和分割标准的变化对每个变量分裂,平均在整个乐团的种植树木。 |
|
分数的观察与替代每个随机选择引导复制品。每个副本的大小脑袋× |
|
逻辑标志指定相同的决策树的叶子父母是否为分裂合并,不降低总风险。默认值是 |
|
方法使用的树木。可能的值是 |
|
最小数量的观察/树叶。默认情况下, |
|
标量值等于整体决策树的数量。 |
|
数字数组大小为1×-据nvar,每个元素提供了数量的分歧在这个预测求和所有树木。 |
|
数量的预测或特征变量选择随机分割为每一个决定。默认情况下, |
|
逻辑数组的大小脑袋——- - - - - -NumTrees,在那里脑袋是在训练数据和观测的数量NumTrees是树木的数量。一个 |
|
数值数组的大小脑袋1包含树的数量用于计算每个观测out-of-bag响应。脑袋在训练数据的观测数量用于创建。 |
|
数字数组大小为1×-据nvar包含一个测量变量的重要性为每个预测变量(特征)。对于任何变量,测量的区别是提高利润的数量和降低利润的数量如果这个变量的值是整个out-of-bag观测排列。这种方法计算每棵树,然后平均在整个合奏和除以标准差整个合奏。这个属性是空的回归树。 |
|
数字数组大小为1×-据nvar包含一个测量每个预测变量的重要性(特性)。对于任何变量,预测误差的措施是增加如果这个变量的值是整个out-of-bag观测排列。这种方法计算每棵树,然后平均在整个合奏和除以标准差整个合奏。 |
|
数字数组大小为1×-据nvar包含一个测量每个预测变量的重要性(特性)。任何变量的措施是减少分类保证金如果这个变量的值是整个out-of-bag观测排列。这种方法计算每棵树,然后平均在整个合奏和除以标准差整个合奏。这个属性是空的回归树。 |
|
数值数组的大小脑袋1,脑袋是观测的数量在训练数据,包含每个观察离群值的措施。 |
|
每个类的先验概率数值向量。元素的顺序 这个属性是:
|
|
一个数字矩阵的大小脑袋——- - - - - -脑袋,在那里脑袋是观测的数量在训练数据,包含措施之间的近距离观察。对于任意两个观察,他们的距离被定义为树木的一部分,这些观察相同的叶子。这是一个对称矩阵与对角1 s,非对角元素从0到1。 |
|
的 |
|
逻辑标志指定如果每个决策树数据采样与更换。此属性 |
|
|
|
一个细胞大小的数组NumTrees1包含的树木。 |
|
一个矩阵的大小据nvar——- - - - - -据nvar变量协会预测措施,平均在整个乐团的种植树木。如果你变得合奏 |
|
一个单元阵列包含预测变量的名称(特性)。 |
|
数字的权重向量脑袋,在那里脑袋是观测的数量(行)在训练数据。 |
|
一个表或数字矩阵的大小脑袋——- - - - - -据nvar,在那里脑袋观察(行)的数量和吗据nvar是变量的数量(列)在训练数据。如果你训练使用预测表值,合奏 |
|
一个大小脑袋响应数据的数组。的元素 |
例子
复制语义
价值。学习如何影响你的使用类的,看到的类比较处理和价值在MATLAB®面向对象编程的文档。
提示
对于一个TreeBagger
模型对象B
,树
属性的存储单元向量B.NumTrees
CompactClassificationTree
或CompactRegressionTree
模型对象。文本或图形显示的树t
在细胞中向量,输入
视图(B.Trees {t})
选择功能
统计和机器学习工具箱™装袋和随机森林提供了三个对象:
对于细节的差异TreeBagger
和袋装集合体(ClassificationBaggedEnsemble
和RegressionBaggedEnsemble
),看比较TreeBagger和袋装的集合体。
引用
[1]Breiman, L。“随机森林。”机器学习45岁的5-32,2001页。
[2]Meinshausen认为:“分位数回归森林。”机器学习研究杂志》上7卷,2006年,页983 - 999。