このページの翻訳は最新ではありません。ここをクリックして、英語の最新版を参照してください。
スーパークラス:CompactRegressionTree
回帰木
バイナリ分割により回帰を行う決定木。クラス回归树
のオブジェクトは、预测
メソッドを使用して、新しいデータに対する応答を予測できます。オブジェクトには、学習に使用したデータが格納されているため、再代入予測を計算できます。
回归树
オブジェクトの作成には菲特里
を使用します。
|
数値予測子のビンのエッジ。p個の数値ベクトルが含まれている cell 配列を指定します。p は予測子の個数です。各ベクトルには、数値予測子のビンのエッジを含めます。カテゴリカル予測子はビン化されないので、カテゴリカル予測子の場合は、この cell 配列の要素を空にします。 数値予測子がビン化されるのは,木学習器を使用してモデルに学習をさせるときに名前と値の引数 学習済みモデル X=mdl.X;%Predictor data Xbinned=zero(size(X));edges=mdl.BinEdges;%Find binned预测器的索引。idxNumeric=Find(~cellfun(@isempty,edges));if iscolumn(idxNumeric)idxNumeric=idxNumeric';end for j=idxNumeric X=X(:,j);%X转换为数组,如果X是表。if istable(X)X=table2array(X);使用
Xbinned に格納されます。カテゴリカル予測子の場合、Xbinned の値は 0になります。X に南 が含まれている場合,対応するXbinned の値は南 になります。 |
|
カテゴリカル予測子のインデックス。正の整数のベクトルを指定します。 |
|
N行 2.列の 单间牢房配列。ここで |
|
|
|
|
|
|
|
|
|
|
|
|
|
展開された予測子名。文字ベクトルの 单间牢房配列として格納されます。 モデルがカテゴリカル変数用のエンコーディングを使用している場合, |
|
ハイパーパラメーターの交差検証最適化の説明。
|
|
N要素の 必然的ベクトル |
|
|
|
学習データの観測値の数を表す数値スカラー。入力データ |
|
|
|
|
|
|
|
ツリーに含まれるノードのリスクを表す N要素のベクトル。ここで、Nはノード数です。各ノードのリスクは、ノード確率によって重み付けされたノード誤差です。 |
|
|
|
|
|
|
|
予測子変数の名前の细胞配列。並びは |
|
枝刈りレベルごとに 1.つの要素をもつ数値ベクトル。枝刈りレベルの範囲が 0~Mの場合、 |
|
|
|
応答変数 ( |
|
生の応答値 (平均二乗誤差) を変換するための関数ハンドル。この関数ハンドルでは、応答値の行列を受け入れて同じサイズの行列を返さなければなりません。既定の ドット表記を使用して関数 tree.ResponseTransform=@函数 |
|
あてはめに使用した元の予測子データ ( |
|
|
|
|
|
|
|
|
|
|
|
|
|
スケールされた |
|
予測子の値の行列または表。 |
|
|
契约 |
コンパクトな回帰木 |
crossval |
交差検証を使用した決定木 |
cvloss |
交差検証による回帰誤差 |
石灰 |
本地可解释模型不可知解释(LIME) |
丧失 |
回帰誤差 |
partialDependence |
部分従属の計算 |
局部依赖 |
部分依存プロット (PDP)および個別条件付き期待値 (冰)プロットの作成 |
预测 |
回帰木の使用による応答の予測 |
predictorImportance |
回帰木の予測子の重要度の推定 |
修剪 |
枝刈りによる回帰サブツリーのシーケンスの作成 |
resubLoss |
再代入による回帰誤差 |
resubPredict |
ツリーの再代入応答の予測 |
沙普利 |
シャープレイ値 |
surrogateAssociation |
回帰木における代理分岐に対する関連性の平均予測尺度 |
看法 |
回帰木の表示 |
値。値のクラスがコピー操作に与える影響については,オブジェクトのコピーを参照してください。
[1] 布莱曼,L.,弗里德曼,奥尔申和斯通。分类和回归树。博卡拉顿,佛罗里达州:华润出版,1984。