OOBQUANTILEPREDICT
班级：TreeBagger
从回归树的袋外观察的分位数预测
语法
描述
输入参数
输出参数
例子
使用分位数回归预测包外中位数
加载Carsmall.数据集。考虑一个模型，它可以预测给定发动机排量的汽车的燃油经济性(以MPG计算)。
负载Carsmall.
使用整个数据集训练一组袋装回归树。指定100名弱学习者并保存出袋子索引。
rng (1);%的再现性Mdl = TreeBagger(位移,100英里,'方法'，“回归”，......'Oobprediction'，“上”）;
MDL.是A.TreeBagger合奏。
执行分位数回归来预测所有训练观察的包外中值燃油经济性。
oobMedianMPG = oobQuantilePredict (Mdl);
oobMedianMPG是一个n- 给出了对应于响应的条件分布的中位数的1个数字矢量给出了分类的观察mdl.x.．n为观测次数，尺寸(Mdl.X, 1)．
将观察结果按升序排序。将观测值和估计中位数绘制在同一个图上。比较袋子外的中位数和平均值。
[sX, idx] = (Mdl.X)进行排序;oobMeanMPG = oobPredict (Mdl);图;情节(位移,英里/加仑,'k。'）;抓住在情节(sX oobMedianMPG (idx));情节(sX oobMeanMPG (idx),“r——”）;ylabel（的燃油经济性）;包含('发动机排量'）;传奇（“数据”，“Out-of-bag值”，'袋子意味着'）;抓住离开；
使用百分位数估计包外预测区间
加载Carsmall.数据集。考虑一种模型，该模型预测汽车（MPG）的燃料经济性给出其发动机位移。
负载Carsmall.
使用整个数据集训练一组袋装回归树。指定100名弱学习者并保存出袋子索引。
rng (1);%的再现性Mdl = TreeBagger(位移,100英里,'方法'，“回归”，......'Oobprediction'，“上”）;
执行分位数回归来预测超出预期的2.5%和97.5%的百分比。
OOBQUANTPREDINTS = OOBQUANTILEPREDICT（MDL，分位数的[0.025, 0.975]);
oobQuantPredInts是一个n-2-2数值矩阵对应于袋外观察的预测间隔mdl.x.．n为观测次数，尺寸(Mdl.X, 1)．第一列包含2.5%百分比，第二列包含97.5%百分比。
将观测值和估计中位数绘制在同一个图上。比较百分点预测间隔和95％的预测间隔，假设条件分布英里/加仑是高斯。
[oobMeanMPG, oobSTEMeanMPG] = oobPredict (Mdl);STDNPredInts = oobMeanMPG + [-1 1]*norminv(0.975).*oobSTEMeanMPG;[sX, idx] = (Mdl.X)进行排序;图;h1 =情节(位移,英里/加仑,'k。'）;抓住在h2 = plot（sx，oobquantpredints（idx，:)，'B'）;h3 =情节(sX, STDNPredInts (idx:)“r——”）;ylabel（的燃油经济性）;包含('发动机排量'）;传奇([h1, h2 (1), h3 (1)), {“数据”，'95％百分位预测间隔'，......'95％高斯预测间隔'}）;抓住离开；
使用分位数回归估计袋外条件累积分布
加载Carsmall.数据集。考虑一种模型，该模型预测汽车（MPG）的燃料经济性给出其发动机位移。
负载Carsmall.
使用整个数据集训练一组袋装回归树。指定100个弱学习者并保存out- bag索引。
rng (1);%的再现性Mdl = TreeBagger(位移,100英里,'方法'，“回归”，......'Oobprediction'，“上”）;
估计禁止袋响应权重。
[~, YW] = oobQuantilePredict (Mdl);
YW是包含响应权重的N-by n稀疏矩阵。n为训练观察的次数，元素个数(Y)．的响应权值Mdl.X (j,:)是yw（：，j）．响应权值独立于任何指定的分位数概率。
通过以下方法估计响应的包外条件累积分布函数(ccdf):
响应排序采用升序，然后利用响应排序所产生的指标对响应权重进行排序。
计算排序后的响应权重的每一列的累积和。
[sorty，sortidx] = sort（mdl.y）;cpdf = full（yw（sortIdx，:)）;ccdf = cumsum（cpdf）;
ccdf (:, j)根据观察，反应的经验外CCDF是多少j．
从四个训练观察中随机选择一个样本。绘制训练样本并识别所选的观察值。
[randx，IDX] =数据征（MDL.x，4）;图;绘图（mdl.x，mdl.y，“o”）;抓住在情节(randX Mdl.Y (idx),‘*’，'Markersize'，10）;文本（RANDX-10，MDL.Y（IDX）+1.5，{'Obs。1''Obs。2》'Obs。3''Obs。4'}）;传奇（的训练数据，“选择观察”）;包含('发动机排量'）ylabel（的燃油经济性） 抓住离开
为同一图中的四个所选响应绘制袋子外CCDF。
图;绘图（Sorty，CCDF（：，IDX））;传奇（“ccdf奥林匹克广播服务公司。1'，“ccdf奥林匹克广播服务公司。2》，......“ccdf奥林匹克广播服务公司。3'，“ccdf奥林匹克广播服务公司。4'，......'地点'，'东南')标题(“out - bag条件累积分布函数”）Xlabel（的燃油经济性）ylabel（“经验提供”）
更多关于
算法
OOBQUANTILEPREDICT通过申请估计袋子超定量quantilePredict训练数据中的所有观测值(mdl.x.)．对于每个观察，该方法仅使用观察袋的树木。
对于集合中所有树木的观测，OOBQUANTILEPREDICT分配响应数据的样本量级。换句话说，OOBQUANTILEPREDICT不使用量子回归进行袋袋的观察。相反，它分配smianile（mdl.y，,在那里τ）τ是值的价值分位数名称-值对的论点。
参考文献
[1] Meinshausen，N。“斯蒂利回归森林。”机器学习研究杂志，第7卷，2006年，第983-999页。
[2] Breiman，L。“随机森林。”机器学习．2001年第45卷，第5-32页。
您还可以从以下列表中选择一个网站：
