フィッシャーのアヤメのデータセットを読み込みます。

负载fisheriris

データセット全体を使用して,バギング分類木のアンサンブルに学習をさせます。50個の弱学習器を指定します。木ごとにバギングしない観測値の情報を格納します。

rng (1);%的再现性Mdl = TreeBagger(50、量、物种,“OOBPrediction”，“上”，.．.“方法”，“分类”）

Mdl = TreeBagger Ensemble with 50 bagged decision trees: Training X: [150x4] Training Y: [150x1] Method: classification NumPredictors: 4 NumPredictorsToSample: 2 MinLeafSize: 1 InBagFraction: 1 SampleWithReplacement: 1 ComputeOOBPrediction: 1 ComputeOOBPredictorImportance: 0 Proximity: [] ClassNames:'setosa' 'versicolor' 'virginica'属性，方法

MdlはTreeBaggerアンサンブルです。

Mdl。树には,アンサンブルを構成する学習済み分類木(CompactClassificationTreeモデルオブジェクト)の50行1列の细胞ベクトルが格納されます。

1番目の学習済み分類木のグラフをプロットします。

视图(Mdl。{1},“模式”，“图”）

既定の設定では,TreeBaggerは木を深く成長させます。

Mdl。OOBIndicesには,out-of-bagインデックスが論理値の行列として格納されます。

out-of-bag誤差を,成長した分類木の数にプロットします。

图;oobErrorBaggedEnsemble = oobError (Mdl);情节(oobErrorBaggedEnsemble)包含“已长成的树的数量”；ylabel“Out-of-bag分类错误”；

成長した分類木の数が増加すると,out-of-bag誤差は減少します。

out-of-bagの観測値にラベル付けするには,MdlをoobPredictに渡します。

carsmallデータセットを読み込みます。与えられたエンジン排気量に対して自動車の燃費を予測するモデルを考えます。

负载carsmall

データセット全体を使用して,バギング回帰木のアンサンブルに学習をさせます。100年個の弱学習器を指定します。

rng (1);%的再现性Mdl = TreeBagger(位移,100英里,“方法”，“回归”）;

MdlはTreeBaggerアンサンブルです。

学習済みの回帰の袋树を使用すると,条件付き平均応答の推定や,分位点回帰の実行による条件付き分位の予測が可能です。

標本内の最小値と最大値の間で10等分したエンジン排気量について,条件付き平均応答と条件付き四分位数を予測します。

predX = linspace (min(位移),max(位移),10)';predX mpgMean =预测(Mdl);mpgQuartiles = quantilePredict (Mdl predX,分位数的, 0.25, 0.5, 0.75);

観測値,推定された平均応答および四分位数を同じ图にプロットします。

图;情节(位移,英里/加仑,“o”）;持有在情节(predX mpgMean);情节(predX mpgQuartiles);ylabel (的燃油经济性）;包含(发动机排量的）;传奇(“数据”，“平均响应”，第一四分位数的，“中值”，“第三四分位数”）;

carsmallデータセットを読み込みます。与えられた加速、気筒数、エンジン排気量、馬力、製造業者、モデル年および重量に対して自動車の燃費の平均を予測するモデルを考えます。气缸、制造行业およびModel_Yearはカテゴリカル変数であるとします。

负载carsmall气缸=分类(缸);及时通知=分类(cellstr (Mfg));Model_Year =分类(Model_Year);X =表(加速、气缸、排量、马力、制造行业,.．.Model_Year、重量、MPG);rng (“默认”）;%的再现性

カテゴリカル変数で表現されるカテゴリの個数を表示します。

numCylinders =元素个数(类别(气缸))

numCylinders = 3

numMfg =元素个数(类别(有限公司))

numMfg = 28

numModelYear =元素个数(类别(Model_Year))

numModelYear = 3

气缸とModel_Yearには3つしかカテゴリがないので,予測子分割アルゴリズムの標準购物车ではこの2つの変数よりも連続予測子が分割されます。

データセット全体を使用して,200本の回帰木のランダムフォレストに学習をさせます。偏りの無い木を成長させるため,予測子の分割に曲率検定を使用するよう指定します。データには欠損値が含まれているので,代理分岐を使用するよう指定します。予測子の重要度の推定に関するout-of-bag情報を格納します。

Mdl = TreeBagger (200 X,“英里”，“方法”，“回归”，“代孕”，“上”，.．.“PredictorSelection”，“弯曲”，“OOBPredictorImportance”，“上”）;

TreeBaggerは,予測子の重要度の推定をOOBPermutedPredictorDeltaErrorプロパティに格納します。棒グラフを使用して推定を比較します。

小鬼= Mdl.OOBPermutedPredictorDeltaError;图;酒吧(imp);标题(“弯曲测试”）;ylabel (的预测估计的重要性）;包含(“预测”）;甘氨胆酸h =;h.XTickLabel = Mdl.PredictorNames;h.XTickLabelRotation = 45;h.TickLabelInterpreter =“没有”；

このケースでは,最も重要な予測子はModel_Yearであり,次に重要なのは重量です。

標準购物车を使用して木を成長させるランダムフォレストから計算された予測子の重要度の推定と小鬼とを比較します。

MdlCART = TreeBagger (200 X,“英里”，“方法”，“回归”，“代孕”，“上”，.．.“OOBPredictorImportance”，“上”）;impCART = MdlCART.OOBPermutedPredictorDeltaError;图;酒吧(impCART);标题(“标准车”）;ylabel (的预测估计的重要性）;包含(“预测”）;甘氨胆酸h =;h.XTickLabel = Mdl.PredictorNames;h.XTickLabelRotation = 45;h.TickLabelInterpreter =“没有”；

このケースでは,最も重要な予測子は連続予測子重量です。2次に重要なつの予測子はModel_Yearと,ほぼ同程度の連続予測子马力です。

高配列内の観測値に対するバギング分類木のアンサンブルに学習をさせ,観測値に重みを付けてモデル内の各木の誤分類確率を求めます。標本データセットairlinesmall.csvは,飛行機のフライトデータについての表形式ファイルが含まれている大規模なデータセットです。

高配列に対する計算を実行する場合,MATLAB®は並列プール(并行计算工具箱™がある場合は既定)またはローカルのMATLABセッションを使用します。并行计算工具箱がある場合にローカルのMATLABセッションを使用して例を実行するには,関数mapreduceを使用してグローバルな実行環境を変更します。

mapreduce (0)

データセットが含まれているフォルダーの場所を参照するデータストアを作成します。処理する変数のサブセットを選択します。数据存储で南値に置き換えるため,“NA”値を欠損データとして扱います。データストア内のデータを含む高表を作成します。

ds =数据存储(“airlinesmall.csv”）;ds。年代electedVariableNames = {“月”，“DayofMonth”，“DayOfWeek”，.．.“DepTime”，“ArrDelay”，“距离”，“DepDelay”};ds。TreatAsMissing =“NA”；tt =高(ds)%高表

tt = Mx7高表月DayofMonth DayOfWeek DepTime DepDelay ArrDelay距离  _____ __________ _________ _______ ________ ________ ________ 10 21 642 8 308年12 26 10 23 5 1 1021 8 296 2055 21 480 1332 10 23 5 13 296 12 10 22 4 629 373 1 10 28 3 1446 59 308 63 10 8 4 928 447 2 10 10 6 859 11 954 1  : : : : : : : : : : : : : :

フライトが遅れた場合に真になる論理変数を定義することにより,10分以上遅れたフライトを判別します。この変数にクラスラベルを含めます。この変数のプレビューには,はじめの数行が含まれています。

Y = tt。DepDelay > 10%的类标签

Y = Mx1 tall logical array 1 0 1 1 0 1 0 0::

予測子データの高配列を作成します。

X = tt {: 1: end-1}%的预测数据

X = Mx6双矩阵10 21 3 642 8 308年10 26 1 1021 8 296 1332年10 23 5 2055 21 480 23日5 13 296 10 22 4 629 4 373 10 28 3 1446 59 308 859 8 4 928 447 10 10 6 11 954  : : : : : : : : : : : :

クラス1の観測値に2倍の重みを任意に割り当てることにより,観測値の重みに対する高配列を作成します。

W = Y + 1;%的重量

欠損データが含まれているX、YおよびWの行を削除します。

R = rmmissing([X Y W]);%删除缺失条目的数据X = R (:, 1: end-2);Y = R (:, end-1);W = R(:,结束);

データセット全体を使用して,20本のバギングされた決定木のアンサンブルに学習をさせます。重みベクトルと一様な事前確率を指定します。再現性を得るため,rngとtallrngを使用して乱数発生器のシードを設定します。高配列の場合,ワーカーの個数と実行環境によって結果が異なる可能性があります。詳細については、コードの実行場所の制御を参照してください。

rng (“默认”) tallrng (“默认”tMdl = TreeBagger(20,X,Y，)“重量”W,“之前”，“统一”）

评估高表达式使用当地的MATLAB会话:通过1 1:在1.2秒完成评估在1.5秒完成评估高表达式使用本地MATLAB会话:-通过1对1:在2.5秒完成评估在2.7秒完成评估高表达式使用本地MATLAB会话:-通过1的1:6秒完成评估6秒完成

tMdl = CompactTreeBagger集合与20袋决策树:方法:分类NumPredictors: 6 ClassNames: '0' ' '1'属性，方法

tMdlは20本のバギングされた決定木によるCompactTreeBaggerアンサンブルです。

モデル内の各木の誤分類確率を計算します。名前と値のペアの引数“重量”を使用して,ベクトルWに格納されている重みを各観測値に適用します。

恐怖分子=错误(tMdl, X, Y,“重量”W)

using the Local MATLAB Session: - Pass 1 of 1: Completed in 9.5 sec

恐怖分子=20×10.1420 0.1214 0.1115 0.1078 0.1037 0.1027 0.1005 0.0997 0.0981 0.0983⋮

決定木のアンサンブルについて,平均の誤分類確率を求めます。

avg_terr =意味着(恐怖分子)

avg_terr = 0.1022