cvshrink

交叉验证收缩(修剪)集成

语法

瓦尔斯= cvshrink(实体) [vals, nlearn] = cvshrink(实体) [vals, nlearn] = cvshrink(实体、名称、值)

瓦尔斯= cvshrink (实体)返回l——- - - - - -T具有交叉验证的均方误差值的矩阵。l是多少λ中的值ens.Regularization结构。T是多少阈值弱学习者权重的价值。如果实体没有正则化属性填写的规范方法,通过λ名称-值对。

(瓦尔斯,nlearn)= cvshrink (实体)返回l——- - - - - -T交叉验证集成中平均学习者数的矩阵。

(瓦尔斯,nlearn)= cvshrink (实体,名称,值)交叉验证与由一个或多个指定的其他选项名称,值对参数。您可以按照任何顺序指定多个名称 - 值对参数Name1, Value1,…,的家。

`实体`	回归合奏，与创建`fitrensemble`。

的可选逗号分隔对名称,值参数。的名字参数名和值是对应的值。的名字必须出现在引号内。可以按任意顺序指定多个名称和值对参数名1，值1，...，NameN，值N。

`'cvpartition'`	使用`cvpartition`在交叉验证树使用。你一次只能使用这四个选项中的一个:`“kfold”`,`“坚持”`,`'忽略'`,或`'cvpartition'`。
`“坚持”`	躲起来的验证测试数据的指定分数，并使用该数据的其他部分进行训练。指定一个来自数字标`0`来`1`。在创建交叉验证树时，一次只能使用这四个选项中的一个:`“kfold”`,`“坚持”`,`'忽略'`,或`'cvpartition'`。
`“kfold”`	褶皱的数量在交叉验证树，一个正整数使用。如果你不提供交叉验证方法，`cvshrink`使用10倍交叉验证。你一次只能使用这四个选项中的一个:`“kfold”`,`“坚持”`,`'忽略'`,或`'cvpartition'`。默认值:`10`
`“λ”`	lasso的非负正则化参数值的向量。如果空的,`cvshrink`不执行交叉验证。默认值:`[]`
`'忽略'`	通过设置为，使用离开一项交叉验证`“上”`。你一次只能使用这四个选项中的一个:`“kfold”`,`“坚持”`,`'忽略'`,或`'cvpartition'`。
`'阈'`	较弱的学习者在权重上具有较低截距的数值向量。`cvshrink`用下面的砝码抛弃学习者`阈值`在交叉验证计算中。默认值:`0`

`瓦尔斯`	`l`——- - - - - -`T`具有交叉验证的均方误差值的矩阵。`l`正则化参数值的个数`“λ”`和`T`是多少`'阈'`弱学习者权重的价值。
`nlearn`	`l`——- - - - - -`T`在交叉验证的集成中，交叉验证的平均学习者数的矩阵。`l`正则化参数值的个数`“λ”`和`T`是多少`'阈'`弱学习者权重的价值。

开立真实脚本

创建一个回归集成，用于从carsmall数据。旨在合奏。

加载carsmall数据组，并选择位移，马力，以及车辆重量作为预测。

负载carsmallX = [位移马力重量];

你可以训练袋装回归树的集合。

实体= fitrensemble (X, Y,“方法”,'袋')

fircensemble使用默认的模板树对象templateTree ()作为一个弱智的学习者“方法”是'袋'。在本例中，为了重现性，请指定“重现”，真当您创建树形模板对象时，然后使用该对象作为弱学习者。

RNG（'默认')％用于重现t = templateTree (“复制”,真正的);%为随机预测因子选择的重现性实体= fitrensemble (X,英里/加仑,“方法”,'袋',“学习者”t);

指定的值λ和阈值。使用这些值来交叉验证合奏。

[vals, nlearn] = cvshrink(实体,“λ”,(。01。11],'阈'[0 . 01。1])

瓦尔斯=3×318.1135 18.4634 115.5087 18.1140 18.4630 115.4477 18.0823 18.3565 124.1655

nlearn =3×313.8000 11.5000 3.5000 13.7000 11.4000 11.5000 13.5000 11.3000 3.3000

显然，设定一个门槛0.1导致不可接受的错误，而阈值为0.01得到类似的错误的阈值0。阈值为的平均学习者人数0.01约11.4，而平均值约为13.8当阈值为0。