预测

使用回归树预测响应

展开页面中的所有内容

句法

X Yfit =预测(Mdl)

Yfit =预测（MDL，X，名称，值）

(Yfit、节点)=预测(___）

描述

Yfit=预测(MDL，X）返回预测响应的向量为表或矩阵的预测数据X，基于完整或紧凑的回归树MDL。

Yfit=预测(MDL，X，名称，值）预测的响应值与由一个或多个指定的附加选项名称，值对参数。例如，您可以指定修剪MDL到一个特定的水平才能预测反应。

[Yfit，节点)=预测(___）还使用前面语法中的任何输入参数返回响应的预测节点号向量。

输入参数

全部展开

`MDL`-受训回归树
`RegressionTree`模型对象|`CompactRegressionTree`模型对象

训练的分类树，指定为RegressionTree要么CompactRegressionTree模型对象。也就是说,MDL经过训练的分类模型是否返回fitrtree要么紧凑的。

`X`-预测数据进行分类
数字矩阵|表

预测器数据要被分类，指定为数字矩阵或表。

每行X对应一个观察值，每列对应一个变量。

对于数字矩阵：
- 组成的列变量X必须具有相同的顺序预测变量，经过训练，MDL。
- 如果你训练的MDL使用表（例如，资源描述),然后X可以是数字矩阵如果资源描述包含所有数字预测变量。为了治疗在数字预测资源描述在训练时，使用the识别分类谓词CategoricalPredictors的名称 - 值对参数fitrtree。如果资源描述包含异构预测变量(例如，数值和分类数据类型)和X是一个数字矩阵，那么预测抛出一个错误。
对于表：
- 预测不支持多列变量和除万博1manbetx字符向量的单元阵列的其他单元阵列。
- 如果你训练的MDL使用表（例如，资源描述)，则所有预测变量X必须具有相同的变量名和数据类型，那些训练有素MDL(存储在Mdl.PredictorNames)。但是，的列顺序X并不需要对应的列顺序资源描述。资源描述和X可以包含额外的变量（响应变量，观察权重等），但预测忽略它们。
- 如果你训练的MDL使用一个数字矩阵，然后将预测器名称输入Mdl.PredictorNames和相应的预测器变量名中X必须是相同的。训练过程中指定的预测名称，请参阅PredictorNames的名称 - 值对参数fitrtree。所有的预测变量中X必须是数值向量。X可以包含额外的变量（响应变量，观察权重等），但预测忽略它们。

数据类型:表|双|单

名称 - 值对参数

指定可选的用逗号分隔的对名称，值参数。的名字是参数的名称和值是对应的值。的名字必须出现引号内。您可以按照任何顺序指定多个名称和值对参数Name1, Value1,…,的家。

`“子树”`-修剪水平
0(默认)|非负整数向量|`'所有'`

修剪水平，指定为逗号分隔的一对组成的“子树”和一个升序或的非负整数向量'所有'。

如果指定一个矢量，那么将所有元件必须至少0在大多数马克斯(Mdl.PruneList)。0表示完整的、未修剪的树，并且马克斯(Mdl.PruneList)表示已完全修剪的树(即。，只是根节点)。

如果您指定'所有'，然后预测运行在所有子树（即，整个修剪序列）。本说明书是等效于使用0：最大（Mdl.PruneList）。

预测李子MDL每个电平表示在子树，然后估计相应的输出参数。的大小子树决定一些输出参数的大小。

调用子树,属性PruneList和PruneAlpha的MDL不能是空的。换句话说，成长MDL通过设置“删除”,“上”，或通过修剪MDL使用修剪。

例子:“子树”,“所有”

数据类型:单|双|字符|字符串

输出参数

全部展开

`Yfit`- 预计响应值
数字列向量

预测的响应值，以数字列向量的形式返回，其行数与X。每行Yfit的对应行给出预测的响应X的基础上，MDL。

`节点`- 节点号
数字矢量

预测的节点号，指定为数字向量。中的每个项对应于预测的叶节点MDL对应的行X。

例子

全部展开

使用回归树预测响应

开立真实脚本

加载carsmall数据集。考虑位移，马力和重量作为响应的预测因子英里/加仑。

加载carsmallX =[排量马力重量];

使用整个数据集的增长回归树。

MDL = fitrtree（X，MPG）;

预计一辆200立方英寸排量，150马力，重量3000磅的车的MPG。

X0 = [200 150 3000];X0 MPG0 =预测(Mdl)

MPG0 = 21.9375

回归树预测，这款车的效率是21.94英里。

扩展功能

高大的数组
与具有较适合在内存中更多的行阵列计算。

这个函数完全支持高数组。万博1manbetx您可以使用培训了无论是在内存或使用此功能高大的数据模型。

有关更多信息，请参见高大的数组（MATLAB）。

C / c++代码生成
生成使用MATLAB®编码器™C和C ++代码。

用法说明和限制:

您可以生成C / C ++两种代码预测和更新通过使用编码器配置器。或者，仅为。生成代码预测通过使用saveLearnerForCoder，loadLearnerForCoder和codegen。
- 代码生成预测和更新-创建一个编码器配置使用learnerCoderConfigurer然后通过使用生成代码generateCode。然后，您可以更新生成的代码中的模型参数，而不必重新生成代码。
- 代码生成预测-保存一个训练模型使用saveLearnerForCoder。定义一个入口点函数加载使用保存的模型loadLearnerForCoder并调用预测函数。然后使用codegen生成的入口点函数的代码。

还可以生成针对定点C / C ++代码预测。定点代码生成需要另外一个步骤，该步骤定义预测所需变量的定点数据类型。属性创建定点数据类型结构数据类型函数生成的generateLearnerDataTypeFcn，并使用该结构作为的输入参数loadLearnerForCoder在入口点函数。产生定点C / C ++代码需要MATLAB^®编码器™和定点设计师™。

的参数的注释预测。完全支持不包括在此表中的参数。万博1manbetx

论点	笔记和局限性
`MDL`	对于模型对象的使用注意事项和限制，请参见代码生成的`CompactRegressionTree`目的。
`X`	对于一般的代码生成，`X`必须是单精度或双精度基质或含有表`单`要么`双`预测变量。如果你想指定`X`作为一个表，那么你的模型必须使用一个表的训练，你必须确保你的预测入口点函数：接受数组形式的数据根据数据输入参数创建一个表，并指定表中的变量名通过该表`预测` 此表的工作流程的一个例子，见生成代码，以表分类数字数据。有关在代码生成使用表的详细信息，请参阅表的代码生成(MATLAB编码器)和表限制代码生成(MATLAB编码器)。在编码器配置程序工作流中，`X`必须是`单`要么`双`矩阵。对于固定点代码生成，`X`必须是一个定点矩阵。行，或观测的数量，`X`可以是可变的大小，但列的数`X`必须是固定的。
`子树`	名称-值对参数中的名称必须是编译时常量。例如，要在生成的代码中允许用户定义修剪级别，需要包括`{coder.Constant(子树),coder.typeof (0, (1, n), [0,1])}`在`-args`的价值`codegen`,在那里`ñ`是`马克斯(Mdl.PruneList)`。该`“子树”`在编码器配置器工作流中不支持名称-值对参数。万博1manbetx 对于定点代码生成，则`“子树”`值必须是`coder.Constant（ '全部'）`或具有整数数据类型。