RegressionEnsemble

包:classreg.learning.regr
超类:CompactRegressionEnsemble

乐团回归

描述

RegressionEnsemble结合了一组训练过的弱学习者模型和这些学习者被训练的数据。它可以通过对其弱学习者的预测进行聚合来预测新数据的整体响应。

建设

使用创建回归集成对象fitrensemble。

属性

`BinEdges`	为数值谓词指定的单元格数组的Bin边缘p数值向量,p是预测者的数量。每个向量包括数值预测器的bin边。分类预测器的单元数组中的元素为空，因为软件不存储分类预测器。该软件只装仓如果指定的数值预测`“NumBins”`培训与学习树模型时的名称 - 值对参数为正整数标量。的`BinEdges`属性为空，如果`“NumBins”`值为空(默认值)。您可以重新生成已丢弃的预测器数据`Xbinned`通过使用`BinEdges`训练的模型的属性`MDL`。 X = mdl.X;%预测数据Xbinned = 0(大小(X));边缘= mdl.BinEdges;%找到被丢弃的预测指标。idxNumeric =找到(~ cellfun (@isempty边缘));if iscolumn(idxNumeric) idxNumeric = idxNumeric';idxNumeric x = x (:，j);%将x转换为数组，如果x是一个表。如果istable(x) x = table2array(x);方法将x组结束放入箱子中。`离散化`功能。xbinned =离散化（X，[ - INF;边缘{Ĵ}; INF]）;Xbinned（：，J）= xbinned;结束 `Xbinned`包含二进制位索引，取值范围为1到箱柜的数目，对于数值预测因子。`Xbinned`对于分类谓词，值为0。如果`X`包含`南`s，则相应`Xbinned`值`南`年代。
`CategoricalPredictors`	直言预测指标，指定为正整数的向量。`CategoricalPredictors`包含与包含分类预测器的预测器数据列对应的索引值。如果没有谓词是范畴性的，则此属性为空(`[]`）。
`CombineWeights`	描述合奏联合机如何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`包括描述扩展变量的名称。否则,`ExpandedPredictorNames`是相同的`PredictorNames`。
`FitInfo`	的配合信息的数字数组。的`FitInfoDescription`属性描述此数组的内容。
`FitInfoDescription`	描述的含义的字符向量`FitInfo`阵列。
`LearnerNames`	字符向量的单元阵列与在合奏弱学习的名称。每个学习者的名称出现一次。举例来说，如果你有100棵树的合奏，`LearnerNames`是`{'树'}`。
`HyperparameterOptimizationResults`	超参数的交叉验证优化描述，存储为`BayesianOptimization`对象或超参数和相关联的值的表。非空当`OptimizeHyperparameters`名称 - 值对是在创建非空。值取决于的设置`HyperparameterOptimizationOptions`在创建名称 - 值对： `“bayesopt”`（默认） - 类对象`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)，以及观察值从最低(最佳)到最高(最差)的排序
`方法`	一个字符向量的算法名称`fitrensemble`用于训练的合奏。
`ModelParameters`	训练中使用的参数`ENS`。
`NumObservations`	包含训练数据中观察值的数量的数值标量。
`NumTrained`	在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阵列，在该命令在它们出现在`X`。
`ReasonForTermination`	描述原因的字符向量`fitrensemble`停止加弱学习到合奏。
`正则化`	对象的结果的结构`规范`方法。用`正则化`同`缩小`降低resubstitution误差和收缩的合奏。
`ResponseName`	与响应变量的名称的字符向量`Y`。
`ResponseTransform`	转化分数，或特征向量代表一个内置的转换功能函数句柄。`“没有”`意味着没有变;等价地，`“没有”`手段`@（X）X`。添加或更改`ResponseTransform`函数使用点符号: ens.ResponseTransform = @功能
`熟练`	训练有素的学生，紧凑的回归模型的一个单元阵列。
`TrainedWeights`	集合分配给学习者的权重的数值向量。该集成通过聚合来自其学习者的加权预测来计算预测响应。
`W`	缩放`权重`，一个具有长度的向量`n`中，行中的数`X`。的元素的总和`W`是`1`。
`X`	训练集成的预测值矩阵或表。每一列的`X`表示一个可变的，并且每行表示一个观察。
`Y`	具有相同数量的行作为数字列向量`X`训练了整个乐团。中的每个条目`Y`的对应行中对数据的响应是`X`。

方法

紧凑	创建紧凑的回归集成
crossval	交叉验证合奏
cvshrink	交叉验证收缩(修剪)集成
规范	找出权重，使重新替换误差和惩罚项最小
resubLoss	通过resubstitution回归错误
resubPredict	预测通过resubstitution合奏的响应
的简历	恢复训练合奏
缩小	修剪合奏

继承的方法

失利	回归误差
预测	使用回归模型的集合预测反应
predictorImportance	估计回归集成预测器的重要性
removeLearners	删除紧凑回归集成的成员

复制语义

值。要了解值类如何影响复制操作，请参阅复制对象（MATLAB）。

例子

全部收缩

火车提振回归集成

开立真实脚本

加载carsmall考虑一个解释汽车燃油经济性的模型(MPG使用其重量（）重量）和（气缸数气缸）。

负载carsmallX =[汽缸重量];Y = MPG;

列车采用100个回归树boosted整体LSBoost方法。指定气缸是一个分类变量。

MDL = fitrensemble（X，Y，“方法”,“LSBoost”,…'PredictorNames'{'W',“C”}，“CategoricalPredictors”，2）

MDL = classreg.learning.regr.RegressionEnsemble PredictorNames：{ 'W' 'C'} ResponseName： 'Y' CategoricalPredictors：2 ResponseTransform： '无' NumObservations：94 NumTrained：100方法： 'LSBoost' LearnerNames：{ '树'}ReasonForTermination：“在完成训练周期的请求数量后，正常终止。”FitInfo：[100X1双] FitInfoDescription：{2×1细胞}正则化：[]的属性，方法

MDL是一个RegressionEnsemble包含训练数据，除其他事项外模型对象。

Mdl.Trained是存储训练回归树的一个100×1细胞载体（该属性CompactRegressionTree模型对象)，构成集成。

绘制第一个经过训练的回归树的图。

视图（Mdl.Trained {1}，“模式”,“图”)

默认，fitrensemble对于生长树木的提振合奏浅的树木。

预测的4000吨的汽车的燃料经济性与图4，图6，和8汽缸。

XNew = [4000*ones(3,1) [4;6;8]];XNew mpgNew =预测(Mdl)

mpgNew =3×119.5926 18.6388 15.4810

提示

对于回归树的集合中，熟练属性包含的单元格向量ens.NumTrainedCompactRegressionTree模型对象。对于树的文本或图形显示t在细胞载体上，输入

视图（ens.Trained {t}）

扩展功能

C / C ++代码生成
生成使用MATLAB®编码器™C和C ++代码。

使用注意事项和限制：

的预测功能支持代码生成。万博1manbetx
当你通过使用fitrensemble，回归树的代码生成限制也适用于回归树的集合。有关更多细节，请参见代码生成的CompactRegressionTree类。

欲了解更多信息，请参阅代码生成简介。

另请参阅

介绍了在R2011a

统计和机器学习工具箱文档

万博1manbetx

掌握机器学习:用MATLAB逐步指导

下载电子书