resubLoss

类：RegressionTree

通过resubstitution回归错误

扩大所有页面

句法

L = resubLoss（树）
L = resubLoss（树，名称，值）
L = resubLoss（树， '子树'，subtreevector）
[L，SE] = resubLoss（树， '子树'，subtreevector）
[L，SE，NLeaf] = resubLoss（树， '子树'，subtreevector）
[L，SE，NLeaf，bestlevel] = resubLoss（树， '子树'，subtreevector）
[L，...] = resubLoss（树， '子树'，subtreevector，名称，值）

描述

大号= resubLoss（树）返回resubstitution损失，这意味着计算的数据损失fitrtree用于创建树。

大号= resubLoss（树，名称，值）返回由一个或多个指定的使用附加选项损失名称，值对参数。您可以按照任何顺序指定多个名称 - 值对参数名1，值1，...，NameN，值N。

大号= resubLoss（树，“子树”，subtreevector）返回的树木均方误差向量的修剪序列中subtreevector。

[大号，SE] = resubLoss（树，“子树”，subtreevector）返回分类错误的标准误差向量。

[大号，SE，NLeaf] = resubLoss（树，“子树”，subtreevector）返回修剪序列的树的叶节点的数的矢量。

[大号，SE，NLeaf，bestlevel] = resubLoss（树，“子树”，subtreevector）返回中的定义，最好的修剪水平的TreeSize名称 - 值对。默认，bestlevel是修剪水平，让损失降到最低的一个标准差之内的损失。

[L，...] = resubLoss（树，“子树”，subtreevector，名称，值）由一个或多个指定的其他选项回报损失统计名称，值对参数。您可以按照任何顺序指定多个名称 - 值对参数名1，值1，...，NameN，值N。

输入参数

展开全部

回归树（RegressionTree模型对象），使用构造fitrtree。

名称 - 值对参数

指定可选的用逗号分隔的对名称，值参数。名称是参数的名称和值是对应的值。名称必须出现引号内。您可以按照任何顺序指定多个名称和值对参数名1，值1，...，NameN，值N。

损失函数，指定为功能手柄或'MSE'这意味着均方误差。

您可以在语法描述中写自己的损失函数损失函数。

数据类型：烧焦|串|function_handle

名称，值与修剪子树相关的参数：

修剪水平，指定为逗号分隔的一对组成的“子树”和非负整数的升序排列的载体或'所有'。

如果指定一个矢量，那么将所有元件必须至少0在最MAX（tree.PruneList）。0指示充分，未修剪的树MAX（tree.PruneList）表示完全修剪树（即，只是根节点）。

如果您指定'所有'， 然后resubLoss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（tree.PruneList）。

resubLoss梅干树每个电平表示在子树，然后估计相应的输出参数。的大小子树确定的一些输出参数的大小。

要调用子树，属性PruneList和PruneAlpha的树不能是空的。换句话说，成长树通过设置“修剪”，“上”，或通过修剪树运用修剪。

例：“子树”，“全部”

数据类型：单|双|烧焦|串

树的大小，指定为下列之一：

  • 'SE'-失利返回与损失最小的一个标准差之内的最高水平修剪（大号+SE，其中大号和SE涉及在最小值子树）。

  • “最小值”-失利返回的元素子树具有最小损耗，通常的最小元素子树。

输出参数

展开全部

回归损失（均方误差），矢量的长度子树。错误的含义取决于价值观权重和LossFun。

损失的标准误差，矢量的长度子树。

在修剪子树的叶（终端节点）的数目，一个矢量的长度子树。

标量，其价值取决于的TreeSize：

  • 的TreeSize='SE'-失利返回与损失最小的一个标准差之内的最高水平修剪（大号+SE，其中大号和SE涉及在最小值子树）。

  • 的TreeSize=“最小值”-失利返回的元素子树具有最小损耗，通常的最小元素子树。

例子

展开全部

开立真实脚本

加载carsmall数据集。考虑移位，马力和重量作为响应的预测因子MPG。

加载carsmallX = [位移马力重量];

生成，使用所有观测回归树。

MDL = fitrtree（X，MPG）;

计算resubstitution MSE。

resubLoss（MDL）
ANS = 4.8952
开立真实脚本

未修剪决策树倾向于过度拟合。到平衡模型的复杂性和外的样本演奏的一种方法是修剪树（或限制其生长），使得样本内和外的样品性能是令人满意的。

加载carsmall数据集。考虑移位，马力和重量作为响应的预测因子MPG。

加载carsmallX = [位移马力重量];Y = MPG;

将数据划分为训练（50％）和验证（50％）集。

N =尺寸（X，1）;RNG（1）％用于重现idxTrn =假（N，1）;idxTrn（randsample（N，圆形（0.5 * N）））= TRUE;％培训组逻辑指数idxVal = idxTrn == FALSE;％验证组逻辑指数

生成，使用训练集回归树。

MDL = fitrtree（X（idxTrn，:)，Y（idxTrn））;

查看回归树。

视图（MDL，'模式'，'图形'）;

回归树有七个修剪水平。Level 0是满的，未修剪的树（如图显示）。级别7仅仅是根节点（即，没有裂痕）。

检查不包括最高级别的每个子树（或修剪电平）的训练样本的MSE。

M = MAX（Mdl.PruneList） -  1;trnLoss = resubLoss（MDL，“子树”，0：米）
trnLoss =7×15.9789 6.2768 6.8316 7.5209 8.3951 10.7452 14.8445

  • 为全面，未修剪的树的MSE大约为6个单位。

  • 对于修剪到1级树中的MSE是约6.3单位。

  • 对于树中的MSE修剪至6级（即，残端）为约14.8单位。

检查每个级别不包括最高级别的验证样品MSE。

valLoss =损失（MDL，X（idxVal，:)，Y（idxVal），“子树”，0：米）
valLoss =7×132.1205 31.5035 32.0541 30.8183 26.3535 30.0137 38.4695

  • 为全面，未修剪的树（0级）的MSE大约为32.1台。

  • 对于修剪到4级树中的MSE大约为26.4台。

  • 对于修剪到5级树中的MSE是约30.0单位。

  • 对于树中的MSE修剪至6级（即，残端）为约38.5单位。

为了平衡模型的复杂性和外的样品性能，可以考虑修剪MDL到4级。

pruneMdl =剪枝（MDL，'水平'，4）;视图（pruneMdl，'模式'，'图形'）

更多关于

展开全部

也可以看看

||

统计和机器学习工具箱文档
万博1manbetx
掌握机器学习：有步骤，分步指南与MATLAB

掌握机器学习：有步骤，分步指南与MATLAB

下载电子书