包:classreg.learning.regr
超类:RegressionEnsemble
重新采样的回归集合
RegressionBaggedEnsemble
结合一组训练过的弱学习者模型和这些学习者训练过的数据。它可以通过聚合弱学习者的预测来预测新数据的集成响应。
使用袋装回归合奏对象使用fitrensemble
.设置名称-值对参数'方法'
的fitrensemble
到'包'
使用Bootstrap聚合(袋装,例如随机林)。
|
的单元格数组指定为数值预测器的Bin边p数字向量,在哪里p是预测器的数量。每个向量包括一个数字预测器的箱边。用于分类预测器的单元格数组中的元素为空,因为软件没有将分类预测器存储在存储单元中。 只有当您指定 您可以重现Binned Predictor数据 x = mdl.x;%predictor数据xbinned = zeros(size(x));边缘= mdl.bineges;%查找箱预测因子的指数。idxnumeric = find(〜cellfun(@ isempty,边));如果是iscumn(idxnumeric)idxnumeric = idxnumeric';j = idxnumeric x = x(:,j);如果x是表,%将x转换为数组。如果是Istable(x)x = table2array(x);结束%X通过使用X进入垃圾箱
Xbinned 包含单位,范围为1到箱数,用于数字预测器。Xbinned 对于分类预测器,值为0。如果X 包含南 s,然后相应的Xbinned 值是南 s。 |
|
分类预测索引指定为正整数的向量。 |
|
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,那么 |
|
适合信息的数字数组。的 |
|
字符向量描述的含义 |
|
之间的数字标量 |
|
超参数的交叉验证优化的描述,存储为a
|
|
字符向量的细胞阵列,合奏中的弱学习者的名称。每个学习者的名称只出现一次。例如,如果您有100棵树的合奏, |
|
具有算法名称的字符向量 |
|
用于培训的参数 |
|
数字标量包含培训数据中的观察次数。 |
|
合奏中的训练学习者数量,一个正标量。 |
|
预测器变量的一个小区数组,按照它们出现的顺序 |
|
描述原因的字符矢量 |
|
|
|
Boolean标志指示如果在该集合中的弱学习者培训数据,则用更换采样。 |
|
具有响应变量的名称的字符向量 |
|
用于转换分数的功能手柄,或表示内置变换函数的字符矢量。 添加或更改 ens.ResponseTransform = @函数 |
|
训练有素的学习者,一系列紧凑型回归模型。 |
|
一个集合分配给它的学习者的权值的数值向量。该集成系统通过聚合来自其学习者的加权预测来计算预测响应。 |
|
大小的逻辑矩阵 |
|
的比例 |
|
训练该合奏的预测值值的矩阵或表。每列 |
|
具有相同行数的数字列向量 |
袖珍的 |
创建紧凑回归集成 |
crossval |
交叉验证合奏 |
cvshrink |
交叉验证萎缩(修剪)合奏 |
酸橙 |
局部可解释的模型不可知解释(LIME) |
损失 |
回归误差 |
oobloss. |
Out-of-bag回归误差 |
oobPermutedPredictorImportance |
通过禁止禁止造影的释放对回归树的随机森林的禁令预测重点估计 |
Oobpredict. |
预测集合的袋子响应 |
partialDependence |
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 |
使用回归模型的集合来预测响应 |
predictorImportance |
回归集合的预测因素重要性估计 |
正规化 |
找到权重,以最大限度地减少重新补偿错误加上罚款 |
雷诺维尔人 |
删除紧凑型回归集合的成员 |
resubLoss |
再代换的回归误差 |
resubPredict |
通过重新提出的集团预测响应 |
的简历 |
恢复训练合奏 |
沙普利 |
福利价值观 |
缩小 |
修剪合奏 |
价值。要了解值类如何影响复制操作,请参见复制对象.
对于回归树的袋装集合,训练有素的
的属性实体
存储一个细胞向量ens.numtromed.
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(ens.tromed {t})