resubLoss

Resubstitution回归损失

折叠所有页面

语法

L = resubLoss (Mdl)

L = resubLoss (Mdl、名称、值)

描述

例子

l= resubLoss (Mdl）通过对训练的回归模型的再替换(L)返回回归损失，或样本内回归损失Mdl使用存储在Mdl。X和相应的响应存储在Mdl。Y．

的解释l取决于损失函数(“LossFun”)及加权计划(Mdl。W）.一般来说，更好的模型产生更小的损失值。默认的“LossFun”值是mse的(均方误差)。

例子

l= resubLoss (Mdl,名称,值）使用一个或多个名称-值参数指定其他选项。例如,“IncludeInteractions”,假的指定从广义可加模型中排除交互项Mdl．

例子

全部折叠

Resubstitution损失

打开生活的脚本

训练广义可加性模型(GAM)，然后利用均方误差(MSE)计算再替代损失。

加载病人数据集。

负载病人

创建一个包含预测变量的表(年龄,舒张压,吸烟者,重量,性别,SelfAssessedHealthStatus)和响应变量(收缩压）.

台=表(年龄、舒张压、吸烟、体重、性别、SelfAssessedHealthStatus,收缩期);

训练一个单变量GAM，其中包含预测因子的线性项资源描述．

Mdl = fitrgam(资源描述,“收缩”）

Mdl = RegressionGAM PredictorNames: {1x6 cell} ResponseName: 'Systolic' CategoricalPredictors: [3 5 6] ResponseTransform: 'none' Intercept: 122.7800 IsStandardDeviationFit: 0 NumObservations: 100属性，方法

Mdl是一个RegressionGAM模型对象。

用均方误差(MSE)计算再替代损失。

L = resubLoss (Mdl)

L = 4.1957

计算自定义替换损失

打开生活的脚本

加载示例数据并存储在表格．

负载fisheriris台=表(量(:1),量(:,2),(:,3),(4):,,,．．．“VariableNames”，{“meas1”,“meas2”,“meas3”,“meas4”,“物种”}）;

使用第一次测量作为响应，其他变量作为预测变量，拟合GPR模型。

mdl = fitrgp(资源描述,“meas1”）;

使用训练过的模型预测反应。

ypred =预测(mdl(资源);

计算平均绝对误差。

n =身高(台);y = tbl.meas1;Fun = @(y,ypred,w) sum(abs(y-ypred))/n;L = resubLoss (mdl,“lossfun”有趣的)

L = 0.2345

通过检验回归损失比较GAMs

打开生活的脚本

训练一个广义可加性模型(GAM)，其中包含预测因子的线性和交互项，并估计训练数据和测试数据有或没有交互项时的回归损失(均方误差，MSE)。指定在估计回归损失时是否包括交互项。

加载carbig数据集，其中包含20世纪70年代和80年代初生产的汽车的测量数据。

负载carbig

指定加速度,位移,马力,重量为预测变量(X),英里/加仑为响应变量(Y）.

X =(加速度、位移、马力、重量);Y = MPG;

将数据集划分为两个集:一个包含训练数据，另一个包含新的、未观察到的测试数据。为新的测试数据集保留10个观测值。

rng (“默认”）%的再现性n =大小(X, 1);newInds = randsample (n, 10);第1 = ~ ismember (1: n, newInds);XNew = X (newInds:);YNew = Y (newInds);

训练一个广义可加性模型，其中包含所有可用的线性和交互项X．

Mdl = fitrgam (X(第1:),Y(第1),“互动”,“所有”）;

Mdl是一个RegressionGAM模型对象。

计算有和无交互项时的再替代mse(即样本内mse)Mdl．要排除交互项，请指定“IncludeInteractions”,假的．

resubl = resubLoss (Mdl)

resubl = 0.0292

resubl_nointeraction = resubLoss (Mdl,“IncludeInteractions”假)

resubl_nointeraction = 4.7330

为测试数据集计算有或无交互项的回归mse。使用内存高效的模型对象进行计算。

CMdl =紧凑(Mdl);

CMdl是一个CompactRegressionGAM模型对象。

l =损失(CMdl XNew YNew)

l = 12.8604

l_nointeraction =损失(CMdl XNew YNew,“IncludeInteractions”假)

l_nointeraction = 15.6741

包含交互项对训练数据集和测试数据集的误差较小。

输入参数

全部折叠

`Mdl`- - - - - -回归机器学习模型
全回归模型对象

回归机器学习模型，指定为一个完整的回归模型对象，如下表所示所支持的模型。万博1manbetx

模型	回归模型对象
高斯过程回归模型	`RegressionGP`
广义可加模型	`RegressionGAM`
神经网络模型	`RegressionNeuralNetwork`

名称-值参数

指定可选的逗号分隔的对名称,值参数。的名字参数名和价值为对应值。的名字必须出现在引号内。可以以任意顺序指定多个名称和值对参数Name1, Value1,…,的家．

例子:resubLoss (Mdl IncludeInteractions,假)从广义可加模型中排除交互项Mdl．

`IncludeInteractions`- - - - - -标志以包含交互术语
`真正的`|`假`

标记以包含模型的交互术语，指定为真正的或假．此论证仅对广义可加模型有效。也就是说，您只能指定此参数Mdl是RegressionGAM．

默认值为真正的如果Mdl包含交互方面。该值必须为假如果模型不包含交互项。

例子:“IncludeInteractions”,假的

数据类型:逻辑

`LossFun`- - - - - -损失函数
`mse的`(默认)|函数处理

损失函数，记为mse的或者函数句柄。

mse的-加权均方误差。
函数句柄-要指定自定义的丢失函数，请使用函数句柄。函数必须是这样的形式:
```
lossval =lossfun(Y, YFit W)
```
- 输出参数lossval是浮点标量。
- 指定函数名(lossfun）.
- Y是一个长度n观测响应的数值向量，其中n观察的次数在吗资源描述或X．
- YFit是一个长度n对应预测响应的数值向量。
- W是一个n-乘1数值向量的观测权值。