Treebagger类
决策树包
描述
TreeBagger袋子为分类或回归的决策树的集合。装袋代表引导聚合。合奏中的每棵树都在独立绘制的输入数据的自主绘制复制品上生长。此副本中未包含的观察是“从包中的”这棵树。
TreeBagger依靠ClassificationTree.和回归植物种植个体树木的功能。特别是，ClassificationTree.和回归植物接受为每个决策分割随机选择的特性数量作为可选输入参数。也就是说,TreeBagger实现随机森林算法[1]．
对于回归问题，TreeBagger万博1manbetx支持均值和大分回归（即定量回归森林［2］）。
预测均值或估计给定数据的平均误差，通过a
TreeBagger模型和数据到预测要么错误,分别。要对袋外观察执行类似的操作，请使用Oobpredict.要么ooberror.．估计响应分布的定量或给定数据的定量误差，通过a
TreeBagger模型和数据到quantilePredict要么SmileileError.,分别。要对袋外观察执行类似的操作，请使用OOBQUANTILEPREDICT要么OOBQUANTILEERROR.．
建造
| TreeBagger | 创建决策树包 |
对象的功能
附加 |
将新树附加到合奏 |
袖珍的 |
决策树的紧凑型集合 |
错误 |
错误（错误分类概率或MSE） |
Fillprox. |
接近矩阵训练数据 |
Growtees. |
训练额外的树，并添加到整体 |
利润 |
分类保证金 |
mdsprox |
近矩阵的多维缩放 |
意思 |
平均分类保证金 |
ooberror. |
袋袋错误 |
Oobmargin. |
袋袋边缘 |
oobMeanMargin |
Out-of-bag意味着利润 |
Oobpredict. |
与袋子外观测的集合预测 |
OOBQUANTILEERROR. |
袋子袋数丢失的袋子 |
OOBQUANTILEPREDICT |
从回归树的袋外观察的分位数预测 |
部分竞争 |
计算部分依赖 |
绘图竞争依赖性 |
创建部分依赖图(PDP)和个人条件期望图(ICE) |
预测 |
使用袋装决策树的集合来预测响应 |
SmileileError. |
使用袋子回归树的量化损失 |
quantilePredict |
使用袋子回归树预测响应量子 |
特性
|
包含响应变量的类名的单元格数组 |
|
应计算指定是否应该计算用于训练观察的袋子预测的逻辑标志。默认值是 如果是这个标志
如果是这个标志
|
|
一个逻辑标志，指定是否应该计算变量重要性的包外估计。默认值是 如果是这个标志
|
|
方矩阵，在哪里 这个属性是:
|
|
返回的默认值
|
|
大小为1 × -的数字数组NVARS.将分割标准的变化通过每个变量的分割进行求和，并在整个已长成的树木集合中取平均值。 |
|
随机选择的观察分数，用于替换每个引导副本。每个副本的大小是谈判× |
|
一个逻辑标志，指定与同一父级的决策树是否留下的拆分是不降低总风险的拆分。默认值是 |
|
树木使用的方法。可能的值是 |
|
每棵树叶的最小观察数。默认情况下， |
|
集合中等于决策树数目的标量值。 |
|
大小为1 × -的数字数组NVARS.，每个元素都给所有树木汇总的预测值都有许多分裂。 |
|
预测器或特征变量的数量以随机选择每个决策拆分。默认情况下， |
|
逻辑阵列大小谈判-经过-numtrees.， 在哪里谈判训练数据中的观察数和numtrees.是集合中的树木数量。一种 |
|
大小数字数组谈判-1包含用于计算每次观察的禁止袋响应的树木数量。谈判是用于创建集合的培训数据中的观测数量。 |
|
大小为1 × -的数字数组NVARS.包含对每个预测变量（特征）的可变重要性的度量。对于任何变量，如果在袋袋外观察中允许该变量的值允许该变量的值，则测量值是凸起边距的数量和降低的边距的数量之间的差异。对每棵树计算这个度量，然后在整个集合上取平均值，再除以整个集合上的标准差。此属性为回归树为空。 |
|
大小为1 × -的数字数组NVARS.包含每个预测变量(特征)的重要性度量。对于任何一个变量，如果该变量的值是在袋子外的观察值中排列的，则度量是预测误差的增加。对每棵树计算这个度量，然后在整个集合上取平均值，再除以整个集合上的标准差。 |
|
大小为1 × -的数字数组NVARS.包含每个预测变量(特征)的重要性度量。对于任何变量，如果在袋出袋出观察中允许该变量的值，则该度量是分类余量的减小。对每棵树计算这个度量，然后在整个集合上取平均值，再除以整个集合上的标准差。此属性为回归树为空。 |
|
有大小的数字数组谈判- 1，在哪里谈判是培训数据中的观测数量，包括每个观察的异常措施。 |
|
每个类的先验概率的数字向量。元素的顺序 这个属性是:
|
|
有大小的数字矩阵谈判-经过-谈判， 在哪里谈判为训练数据中的观测数，包含观测值之间的接近度度量值。对于任意两个观测值，它们的接近度定义为这些观测值落在同一片叶子上的树木的比例。这是一个对称矩阵，对角线和非对角线上的元素从0到1都有1s。 |
|
的 |
|
指定具有替换的每个决策树的数据是否针对数据的逻辑标志。这家酒店是 |
|
|
|
大小相同的单元格数组numtrees.-by-1包含集合中的树。 |
|
大小矩阵NVARS.-经过-NVARS.通过变量关联的预测措施，对整个成年树木进行平均。如果你增加了布景 |
|
包含预测器变量的名称（特征）的单元格数组。 |
|
数量的数量矢量长度谈判， 在哪里谈判是培训数据中的观测数量（行）。 |
|
桌子或数字矩阵的大小谈判-经过-NVARS.， 在哪里谈判是观察数（行）和NVARS.是培训数据中的变量（列）的数量。如果您使用预测值的表培训集合，那么 |
|
一个大小谈判响应数据阵列。要点 |
例子
袋装分类树的序列集合
装载Fisher的Iris数据集。
负载渔民
使用整个数据集培训袋装分类树的集合。指定50.弱学习者。存储哪些观察袋为每棵树袋。
RNG（1）;重复性的％mdl = treebagger（50，meas，speies，'Oobprediction'，“上”，......'方法'，'分类'）
MDL = TreeBagger合奏与50个袋装决策树：训练X：[150x4]训练Y：[150x1]方法：分类NumPredictors：4 NumPredictorstosample：2 minleafsize：1个土松效：1个样品释放：1 ComputeOobprediction：1 ComputeOobpredictorImportance：[]ClassNames：'Setosa''Versicolor''Virginica'属性，方法
MDL.是A.TreeBagger合奏。
mdl.trees.存储培训的分类树的50×1个细胞矢量（CompactClassificationTree.模型对象)组成集成。
绘制第一训练分类树的图表。
查看（mdl.trees {1}，“模式”，'图形'）
默认情况下，TreeBagger生长深沉的树木。
mdl.oobindices.将袋子外索引存储为逻辑值的矩阵。
绘制袋子超出了种植的分类树的数量。
图;Ooberrorbaggedensemble = OobError（MDL）;绘图（Ooberrorbaggedensemble）Xlabel“已长成的树的数量”；ylabel.'袋袋分类错误'；
袋袋错误随着种植的树木数量减少。
标记袋子外观察，通过MDL.到Oobpredict.．
袋装回归树的序列集合
加载Carsmall.数据集。考虑一种模型，该模型预测汽车的发动机位移的燃油经济性。
负载Carsmall.
使用整个数据集培训袋装回归树的集合。指定100个弱的学习者。
RNG（1）;重复性的％mdl = treebagger（100，位移，mpg，'方法'，'回归'）;
MDL.是A.TreeBagger合奏。
使用训练有素的回归树，您可以估计条件平均响应或执行量级回归以预测条件量数。
对于十个同等间隔的发动机位移在最小和最大的样本位移之间，预测有条件的平均响应和条件四分位数。
predx = linspace（min（位移），max（位移），10）';mpgmean =预测（mdl，predx）;mpgquartiles = smileilepredict（mdl，predx，分位数的, 0.25, 0.5, 0.75);
绘制观察结果，估计在同一地图中的平均反应和四分位数。
图;情节(位移,英里/加仑,'o'）;抓住在绘图（Predx，MPGmean）;绘图（Predx，mpgquartiles）;ylabel（的燃油经济性）;包含('发动机排量'）;传奇（'数据'，'意思是回应'，'第一个四分位数'，“中值”，'第三个四分位数'）;
无偏预测重要估计
加载Carsmall.数据集。考虑一种模型，该模型预测汽车的平均燃料经济性，仪式，气缸数量，发动机位移，马力，制造商，模型年和重量。考虑气瓶，MFG.， 和model_year.作为分类变量。
负载Carsmall.气缸=分类(缸);及时通知=分类(cellstr (Mfg));Model_Year =分类(Model_Year);X =表(加速、气缸、排量、马力、制造行业,......model_year，重量，mpg）;RNG（'默认'）;重复性的％
显示分类变量中表示的类别数。
num cinders = numel（类别（圆柱体））
numcylinders = 3
nummfg = numel（类别（MFG））
numMfg = 28
nummodelyear = numel（类别（model_year））
numModelYear = 3
因为只有3个类别气瓶和model_year.，标准推车，预测算法更喜欢在这两个变量上分割连续的预测器。
使用整个数据集培训200个回归树的随机森林。为了种植无偏的树木，请指定用于分裂预测器的曲率测试的使用。由于数据中存在缺少值，因此指定代理分割的使用。存储禁止袋信息以获取预测性重要性估算。
mdl = treebagger（200，x，“英里”，'方法'，'回归'，'代理'，“上”，......'预测圈'，“弯曲”，'Oobpredictorimportance'，“上”）;
TreeBagger在物业中存储预测原则重要性估计OobpermutedPredictordeltaError．使用条形图比较估计值。
Imp = mdl.oobpermutedpredictordeltaError;图;酒吧（IMP）;标题（'曲率测试'）;ylabel（'预测重点估计'）;包含('预测器'）;H = GCA;h.xticklabel = mdl.predictornames;H.xticklabelrotation = 45;H.TicklabelInterpreter =.“没有”；
在这种情况下，model_year.是最重要的预测因素，其次是重量．
比较偶尔预测来自使用标准推车的随机林计算的重要性估计。
MdlCART = TreeBagger (200 X,“英里”，'方法'，'回归'，'代理'，“上”，......'Oobpredictorimportance'，“上”）;Impcart = mdlcart.oobpermutedpredictordeltaError;图;酒吧（Impcart）;标题（'标准购物车'）;ylabel（'预测重点估计'）;包含('预测器'）;H = GCA;h.xticklabel = mdl.predictornames;H.xticklabelrotation = 45;H.TicklabelInterpreter =.“没有”；
在这种情况下，重量是一个连续的预测因子，是最重要的。接下来的两个最重要的预测因子是model_year.紧随其后马力，这是一个连续的预测因子。
复制语义
价值。要了解这会如何影响您对类的使用，请参阅比较句柄和价值类在matlab.®面向对象编程的文档。
提示
为一个TreeBagger模型对象B,树属性存储一个细胞矢量B.numtrees.CompactClassificationTree.要么Compactregressiontree.模型对象。用于树的文本或图形显示t在细胞向量中，进入
查看（b.trees {t}）
替代功能
Statistics and Machine Learning Toolbox™提供了三种对象用于套袋和随机森林:
回归释迦缩短由...制作fitrensemble.为回归TreeBagger由...制作TreeBagger用于分类和回归
详细了解两者的区别TreeBagger和袋装合奏（ClassificationBaggedensemble.和回归释迦缩短）， 看套袋式和套袋式的比较．
参考
[1] Breiman，L。“随机森林。”机器学习45，pp。5-32,2001。
[2] Meinshausen，N。“斯蒂利回归森林。”机器学习研究杂志，第7卷，2006年，第983-999页。
您还可以从以下列表中选择一个网站：
