错误
错误(错误分类概率或MSE)
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,wj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。选择观测j,j= 1,…,n,
错误
估计 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。错误
估计累积,通过树的加权均方误差t。
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et*累积,使用第一个加权误分类率t选择树。选择观测j,j= 1,…,n,
错误
估计 、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。错误
通过树估计累积,加权误分类率t。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。