RegressionTree类
回归树
描述
用于回归的具有二叉分割的决策树。类的对象RegressionTree
可以预测新数据的响应预测
方法。该对象包含用于训练的数据,因此可以计算再替代预测。
建设
创建一个RegressionTree
对象,使用fitrtree
.
属性
|
的单元格数组指定的数值预测器的Bin边p数字向量,其中p是预测因子的数量。每个向量都包含数值预测器的bin边。类别预测器的单元格数组中的元素为空,因为软件不收纳类别预测器。 类型时,软件才会对数值预测器进行分类 您可以重新生成已归档的预测器数据 X = mdl.X;%预测数据Xbinned = 0(大小(X));edges = mdl.BinEdges;查找已分类预测符的索引。idxNumeric = find(~cellfun(@isempty,edges));if iscolumn(idxNumeric) idxNumeric = idxNumeric';end for j = idxNumeric x = x (:,j);如果x是一个表,则将x转换为数组。If stable(x) x = table2array(x);将x分组到箱子中
Xbinned 包含数值预测器的容器索引,范围从1到容器数。Xbinned 类别预测器的值为0。如果X 包含南 S,然后是对应的Xbinned 值是南 年代。 |
|
分类预测指标,指定为正整数向量。 |
|
一个n-by-2单元格数组,其中 |
|
一个n中每个节点的子节点的编号 |
|
一个n中分支使用的类别的-by-2单元数组
|
|
一个n-元素向量的值用作切割点 |
|
一个n元素单元格数组,表示在每个节点上的切割类型
|
|
一个n中每个节点中用于分支的变量名称的单元格数组
|
|
一个n用于分支的每个节点的变量的数值索引数组 |
|
扩展的预测器名称,存储为字符向量的单元格数组。 如果模型对分类变量使用编码,则 |
|
超参数的交叉验证优化的描述,存储为
|
|
一个n-元素逻辑向量 |
|
的对象保持参数 |
|
训练数据中的观察数,一个数值标量。 |
|
一个n元向量 |
|
一个n的每个节点中都有平均值的element数值数组 |
|
一个n元向量 |
|
一个n-树中节点风险的element向量,其中n为节点数。每个节点的风险是由节点误差加权的节点概率。 |
|
一个n元向量 |
|
节点数量 |
|
一个n元向量 |
|
预测变量名称的单元格数组,按它们出现的顺序排列 |
|
数字向量,每个修剪级别有一个元素。如果修剪级别为0 ~米,然后 |
|
一个n的每个节点的剪枝级别 |
|
一个字符向量,它指定响应变量的名称( |
|
转换原始响应值(均方误差)的函数句柄。函数句柄必须接受一个响应值矩阵并返回一个相同大小的矩阵。默认的 添加或更改 树。ResponseTransform = @函数 |
|
一个n元素逻辑向量,表示原始预测器数据的行( |
|
一个n用于代理分割的类别的element单元格数组 |
|
一个n用于代理分割的数值切割分配的单元格数组 |
|
一个n用于代理分割的数值的单元格数组 |
|
一个n中每个节点上的代理拆分类型的单元格数组 |
|
一个n中每个节点中用于代理分割的变量名称的单元格数组 |
|
一个n-元单元阵列的关联预测措施的代理分裂在 |
|
的比例 |
|
预测值的矩阵或表格。的每一列 |
|
具有相同行数的数值列向量 |
对象的功能
紧凑的 |
紧致回归树 |
crossval |
交叉验证决策树 |
cvloss |
交叉验证的回归误差 |
收集 |
收集属性统计和机器学习工具箱来自GPU的对象 |
石灰 |
局部可解释模型不可知解释(LIME) |
损失 |
回归误差 |
nodeVariableRange |
检索决策树节点的可变范围 |
partialDependence |
计算部分依赖关系 |
plotPartialDependence |
创建部分依赖图(PDP)和个别条件期望图(ICE) |
预测 |
使用回归树预测响应 |
predictorImportance |
回归树预测因子重要性的估计 |
修剪 |
通过修剪产生回归子树序列 |
resubLoss |
回归误差的再替换 |
resubPredict |
预测树木的再替代反应 |
沙普利 |
沙普利值 |
surrogateAssociation |
回归树中代理分裂关联的平均预测度量 |
视图 |
视图回归树 |
复制语义
价值。要了解值类如何影响复制操作,请参见复制对象.
例子
参考文献
布莱曼,L.弗里德曼,R.奥尔申和C.斯通。分类与回归树.佛罗里达州博卡拉顿:CRC出版社,1984年。