错误(错误分类概率或MSE) - MATLAB MathWorks印度 - 万博1manbetx,s manbetx 845,万博尤文图斯

语法

呃=错误(B TBLnew Ynew) 呃=错误(B Xnew Ynew) 都会犯错误= (B TBLnew Ynew param1, val1, param2, val2,…) 都会犯错误= (B Xnew Ynew param1, val1, param2, val2,…)

描述

呃=错误(B TBLnew Ynew)计算错误分类概率分类树和均方误差(MSE)回归树,每棵树,为预测包含在表中TBLnew给真实的反应Ynew。你可以省略Ynew如果TBLnew包含变量的响应。如果你训练B使用样本数据包含在一个表中,然后输入数据的方法也必须在一个表中。

呃=错误(B Xnew Ynew)计算错误分类概率分类树和均方误差(MSE)回归树,每棵树,为预测包含在矩阵Xnew给真实的反应Ynew。如果你训练B使用样本数据包含在一个矩阵,然后输入数据的方法也必须在一个矩阵。

的分类,Ynew可以是一个数值向量,字符矩阵,字符串数组,单元阵列的特征向量,分类向量或逻辑向量。对于回归,Y必须是一个数字向量。犯错是一个向量和一个误差测量的NTrees树木的合奏B。

都会犯错误= (B TBLnew Ynew param1, val1, param2, val2,…)或都会犯错误= (B Xnew Ynew param1, val1, param2, val2,…)指定可选参数名称-值对:

`“模式”`	特征向量或字符串标量表示方法计算错误。如果设置为`“累积”`(默认),`错误`计算累积错误和`犯错`是一个向量的长度`NTrees`,其中第一个元素为错误`树(1)`,第二个元素为错误`树(1:2)`等,`树(1:NTrees)`。如果设置为`“个人”`,`犯错`是一个向量的长度`NTrees`,其中每个元素是一个错误的每棵树。如果设置为`“合奏”`,`犯错`是一个标量显示整个合奏的累积误差。
`“重量”`	的观察向量权重平均用于错误。默认情况下每个观测的重量是1。这个向量的长度必须相等的行数`X`。
`“树”`	向量指标指示要包括哪些树的计算。默认情况下,这个参数被设置为`“所有”`方法使用所有的树木。如果`“树”`是一个数值向量,该方法返回一个向量的长度`NTrees`为`“累积”`和`“个人”`模式,`NTrees`在输入向量元素的数量,和一个标量吗`“合奏”`模式。例如,在`“累积”`模式,给了错误的第一个元素`树(1)`,第二个元素为错误`树(1:2)`等。
`“TreeWeights”`	权重向量的树。这个向量必须具有相同的长度`“树”`向量。该方法使用这些指定权重组合输出树通过加权平均,而不是简单的非加权多数投票。你不能使用这个论点`“个人”`模式。
`“UseInstanceForTree”`	逻辑矩阵的大小`脑袋`——- - - - - -`NTrees`表示应该使用哪个树为每个观测进行预测。默认情况下,所有观测方法使用了所有的树木。

算法

当评估整体错误:

使用“模式”名称-值对参数,您可以指定返回错误的三种方式:
- 个别树木的错误
- 累积误差除以所有的树木
- 整个合奏的错误
使用“树”名称-值对参数,您可以指定使用哪个树的整体误差计算。
使用“UseInstanceForTree”名称-值对参数,您可以指定观察输入数据(X和Y)用于合奏错误计算为每个选定的树。
使用“重量”名称-值对的观点,你可以每个属性观察重量。的公式,w_j观察的重量吗j。
使用“TreeWeights”名称-值对的观点,你可以每个属性树重量。

对于回归问题,错误估计的加权均方误差的袋装回归树来预测Y鉴于X使用选定的树木和观察。

错误预测选择观察的反应X使用选定的回归树的合奏。
均方误差估计的值取决于“模式”。
- 如果您指定“模式”,“个人”,然后树的加权均方误差t是
  
  ${均方误差}_{t} = \frac{1}{\sum_{j = 1}^{n} w_{j}} \sum_{j = 1}^{n} w_{j} {(y_{j} - {\hat{y}}_{t j})}^{2} 。$
  
  ${\hat{y}}_{t j}$ 预测反应的观察吗j从选择回归树t。错误内设置任何未经选择的观察选择树的加权样本平均观察,训练数据的响应。
- 如果您指定“模式”、“累积”,然后加权均方误差是一个向量的大小T^*包含累积,加权家中小企业T^*≤T选择树。错误遵循这些步骤来估计均方误差_t^*使用第一个,累计加权均方误差t选择树。
  1. 选择观测j,j= 1,…,n,错误估计 ${\hat{y}}_{袋, t j}$ 的加权平均预测第一批t选择树(详情,请参阅预测)。对于这个计算,错误使用树的重量。
  2. 错误估计累积,通过树的加权均方误差t。
    
    ${均方误差}_{t}^{*} = \frac{1}{\sum_{j = 1}^{n} w_{j}} \sum_{j = 1}^{n} w_{j} {(y_{j} - {\hat{y}}_{袋, t j})}^{2} 。$
  错误集,对于所有选定观察,没有树木的加权样本平均观察,训练数据的响应。
- 如果您指定“模式”、“合奏”,然后加权均方误差累积的最后一个元素,加权均方误差向量。

对于分类问题,错误估计的加权误分类率整体预测的袋装分类树Y鉴于X使用选定的树木和观察。

如果您指定“模式”,“个人”,然后加权树误分类率t是

$e_{t} = \frac{1}{\sum_{j = 1}^{n} w_{j}} \sum_{j = 1}^{n} w_{j} 我 (y_{j} \neq {\hat{y}}_{t j}) 。$

${\hat{y}}_{t j}$ 是选择观察的预测类j使用从选定的分类树t。错误内设置任何未经选择的观察选择树预测,所有训练反应的加权,最受欢迎的课。如果有多个最受欢迎的课程,错误认为首先列出之一一会财产的TreeBagger最受欢迎的模型。
如果您指定“模式”、“累积”然后加权误分类率是一个向量的大小T^*包含累积,加权误分类率T^*≤T选择树。错误遵循这些步骤来估计e_t^*累积,使用第一个加权误分类率t选择树。
1. 选择观测j,j= 1,…,n,错误估计 ${\hat{y}}_{袋, t j}$ 、加权类第一批最受欢迎t选择树(详情,请参阅预测)。对于这个计算,错误使用树的重量。
2. 错误通过树估计累积,加权误分类率t。
  
  $e_{t}^{*} = \frac{1}{\sum_{j = 1}^{n} w_{j}} \sum_{j = 1}^{n} w_{j} 我 (y_{j} \neq {\hat{y}}_{袋, t j}) 。$
  
  错误集的任何观察都没有选择树预测,所有训练反应的加权,最受欢迎的课。如果有多个最受欢迎的课程,错误认为首先列出之一一会财产的TreeBagger最受欢迎的模型。
如果您指定“模式”、“合奏”,然后加权累积的误分类率是最后一个元素,加权向量错误分类。

另请参阅

错误|oobError|quantileError|预测|oobPredict|紧凑的|TreeBagger

错误

语法

描述

算法

另请参阅

主题