主要内容gydF4y2Ba

RegressionGAMgydF4y2Ba

广义相加模型(GAM)回归gydF4y2Ba

扩展所有的页面gydF4y2Ba

    描述gydF4y2Ba

    一个gydF4y2BaRegressionGAMgydF4y2Ba对象是一个gydF4y2Ba广义加性模型gydF4y2Ba为回归(GAM)对象。可说明的模型,解释了反应变量使用一个单变量和二元形状函数的和。gydF4y2Ba

    你可以预测反应的新观察使用gydF4y2Ba预测gydF4y2Ba功能,图上的每个形状函数的影响预测(响应值)观察使用gydF4y2BaplotLocalEffectsgydF4y2Ba函数。对象功能的完整列表gydF4y2BaRegressionGAMgydF4y2Ba,请参阅gydF4y2Ba对象的功能gydF4y2Ba。gydF4y2Ba

    创建gydF4y2Ba

    创建一个gydF4y2BaRegressionGAMgydF4y2Ba对象的使用gydF4y2BafitrgamgydF4y2Ba。您可以指定两个线性项和交互项预测因子包括单变量的形状函数(预测树)和二元形函数(交互树)在一个训练有素的模型中,分别。gydF4y2Ba

    你可以通过使用更新训练模型gydF4y2Ba的简历gydF4y2Ba或gydF4y2BaaddInteractionsgydF4y2Ba。gydF4y2Ba

    • 的gydF4y2Ba的简历gydF4y2Ba功能恢复训练现有的模型中。gydF4y2Ba

    • 的gydF4y2BaaddInteractionsgydF4y2Ba函数添加交互项的模型只包含线性项。gydF4y2Ba

    属性gydF4y2Ba

    全部展开gydF4y2Ba

    访问属性gydF4y2Ba

    这个属性是只读的。gydF4y2Ba

    本数值预测边缘,指定的单元阵列gydF4y2BapgydF4y2Ba数值向量,gydF4y2BapgydF4y2Ba预测的数量。每个向量包括箱子边缘数值预测。单元阵列中的元素分类预测是空的,因为软件不本分类预测。gydF4y2Ba

    软件垃圾箱只有指定数值预测gydF4y2Ba“NumBins”gydF4y2Ba名称-值参数作为一个正整数标量当训练学习者模型树。的gydF4y2BaBinEdgesgydF4y2Ba属性是空的,如果gydF4y2Ba“NumBins”gydF4y2Ba值是空的(默认)。gydF4y2Ba

    你可以复制被预测数据gydF4y2BaXbinnedgydF4y2Ba通过使用gydF4y2BaBinEdgesgydF4y2Ba训练模型的属性gydF4y2BamdlgydF4y2Ba。gydF4y2Ba

    X = mdl.X;%预测数据Xbinned = 0(大小(X));边缘= mdl.BinEdges;%找到被预测的指标。idxNumeric =找到(~ cellfun (@isempty边缘));如果iscolumn idxNumeric idxNumeric = idxNumeric ';对j = idxNumeric x = x (:, j);% x转换为数组如果x是一个表。如果istable (x) x = table2array (x);组x %到垃圾箱使用结束gydF4y2Ba离散化gydF4y2Ba函数。xbinned =离散化(x,[无穷;边缘{};正]);Xbinned (:, j) = Xbinned;结束gydF4y2Ba
    XbinnedgydF4y2Ba包含本指标,从1到垃圾箱的数量,数值预测。gydF4y2BaXbinnedgydF4y2Ba分类预测的值是0。如果gydF4y2BaXgydF4y2Ba包含gydF4y2Ba南gydF4y2Ba年代,那么相应的gydF4y2BaXbinnedgydF4y2Ba值是gydF4y2Ba南gydF4y2Ba年代。gydF4y2Ba

    数据类型:gydF4y2Ba细胞gydF4y2Ba

    这个属性是只读的。gydF4y2Ba

    交互项指标,作为指定gydF4y2BatgydF4y2Ba2的正整数矩阵,gydF4y2BatgydF4y2Ba是交互项的数量模型。矩阵的每一行代表一个交互术语和包含的列索引的预测数据gydF4y2BaXgydF4y2Ba的交互项。如果模型不包括交互项,然后这个属性是空的(gydF4y2Ba[]gydF4y2Ba)。gydF4y2Ba

    软件将交互项添加到模型基于重要性的顺序gydF4y2BapgydF4y2Ba值。使用这个属性来检查交互项的顺序添加到模型中。gydF4y2Ba

    数据类型:gydF4y2Ba双gydF4y2Ba

    这个属性是只读的。gydF4y2Ba

    拦截(常数)的模型,这是截距项的和预测的树木和交互树,指定为一个数字标量。gydF4y2Ba

    数据类型:gydF4y2Ba单gydF4y2Ba|gydF4y2Ba双gydF4y2Ba

    这个属性是只读的。gydF4y2Ba

    参数用来训练模型,指定为一个参数对象模型。gydF4y2BaModelParametersgydF4y2Ba包含名称-值参数的参数值如用来训练模型。gydF4y2BaModelParametersgydF4y2Ba不包含估计参数。gydF4y2Ba

    访问的字段gydF4y2BaModelParametersgydF4y2Ba通过使用点符号。例如,访问的最大数量决定分裂/交互树通过使用gydF4y2BaMdl.ModelParameters.MaxNumSplitsPerInteractiongydF4y2Ba。gydF4y2Ba

    这个属性是只读的。gydF4y2Ba

    本边缘交互项检测数值预测,指定的单元阵列gydF4y2BapgydF4y2Ba数值向量,gydF4y2BapgydF4y2Ba预测的数量。每个向量包括箱子边缘数值预测。单元阵列中的元素分类预测是空的,因为软件不本分类预测。gydF4y2Ba

    加快交互项检测过程,软件垃圾箱数值预测到最多8等概率的垃圾箱。箱子的数量可以少于8如果预测不到8独特的价值观。gydF4y2Ba

    数据类型:gydF4y2Ba细胞gydF4y2Ba

    这个属性是只读的。gydF4y2Ba

    原因停止训练模型,与两个字段指定为一个结构,gydF4y2BaPredictorTreesgydF4y2Ba和gydF4y2BaInteractionTreesgydF4y2Ba。gydF4y2Ba

    使用这个属性来检查模型包含每个线性项的指定数量的树(gydF4y2Ba“NumTreesPerPredictor”gydF4y2Ba每个交互术语()和gydF4y2Ba“NumTreesPerInteraction”gydF4y2Ba)。如果gydF4y2BafitrgamgydF4y2Ba函数终止训练之前添加指定数量的树木,这个属性包含终止的原因。gydF4y2Ba

    数据类型:gydF4y2Ba结构体gydF4y2Ba

    其他回归属性gydF4y2Ba

    这个属性是只读的。gydF4y2Ba

    分类预测指标,指定为一个向量的正整数。gydF4y2BaCategoricalPredictorsgydF4y2Ba包含索引值对应的列包含分类预测的预测数据。如果所有的预测都直言,那么这个属性是空的(gydF4y2Ba[]gydF4y2Ba)。gydF4y2Ba

    数据类型:gydF4y2Ba双gydF4y2Ba

    这个属性是只读的。gydF4y2Ba

    扩展预测名称,指定为一个单元阵列的特征向量。gydF4y2Ba

    ExpandedPredictorNamesgydF4y2Ba是一样的gydF4y2BaPredictorNamesgydF4y2Ba广义加性模型。gydF4y2Ba

    数据类型:gydF4y2Ba细胞gydF4y2Ba

    这个属性是只读的。gydF4y2Ba

    训练数据存储在观测的数量gydF4y2BaXgydF4y2Ba和gydF4y2BaYgydF4y2Ba,指定为一个数字标量。gydF4y2Ba

    数据类型:gydF4y2Ba双gydF4y2Ba

    这个属性是只读的。gydF4y2Ba

    预测变量名称,指定为一个单元阵列的特征向量。元素的顺序gydF4y2BaPredictorNamesgydF4y2Ba对应的顺序预测的名字出现在训练数据。gydF4y2Ba

    数据类型:gydF4y2Ba细胞gydF4y2Ba

    这个属性是只读的。gydF4y2Ba

    响应变量名称,指定为一个特征向量。gydF4y2Ba

    数据类型:gydF4y2Ba字符gydF4y2Ba

    响应变换函数,指定为gydF4y2Ba“没有”gydF4y2Ba或一个函数处理。gydF4y2BaResponseTransformgydF4y2Ba描述了软件转换原始响应值。gydF4y2Ba

    对于一个MATLABgydF4y2Ba®gydF4y2Ba函数或你定义一个函数,输入它的功能处理。例如,您可以输入gydF4y2BaMdl。ResponseTransform = @gydF4y2Ba函数gydF4y2Ba,在那里gydF4y2Ba函数gydF4y2Ba接受一个数字矢量的原始响应并返回一个同样大小的数值向量包含转换后的反应。gydF4y2Ba

    数据类型:gydF4y2Ba字符gydF4y2Ba|gydF4y2Bafunction_handlegydF4y2Ba

    这个属性是只读的。gydF4y2Ba

    行中使用的原始训练数据拟合gydF4y2BaRegressionGAMgydF4y2Ba模型,指定为一个逻辑向量。使用这个属性是空的,如果所有行。gydF4y2Ba

    数据类型:gydF4y2Ba逻辑gydF4y2Ba

    这个属性是只读的。gydF4y2Ba

    观察权重用来训练模型,指定为一个gydF4y2BangydF4y2Ba1数字向量。gydF4y2BangydF4y2Ba是观测的数量(gydF4y2BaNumObservationsgydF4y2Ba)。gydF4y2Ba

    软件可实现观察中指定的权重gydF4y2Ba“重量”gydF4y2Ba名称-值参数的元素gydF4y2BaWgydF4y2Ba总结为1。gydF4y2Ba

    数据类型:gydF4y2Ba双gydF4y2Ba

    这个属性是只读的。gydF4y2Ba

    预测用于训练模型,指定为一个数字矩阵或表。gydF4y2Ba

    每一行的gydF4y2BaXgydF4y2Ba对应于一个观察,每一列对应一个变量。gydF4y2Ba

    数据类型:gydF4y2Ba单gydF4y2Ba|gydF4y2Ba双gydF4y2Ba|gydF4y2Ba表gydF4y2Ba

    这个属性是只读的。gydF4y2Ba

    反应,指定为一个数值向量。gydF4y2Ba

    每一行的gydF4y2BaYgydF4y2Ba代表观察到的响应相应的行gydF4y2BaXgydF4y2Ba。gydF4y2Ba

    数据类型:gydF4y2Ba单gydF4y2Ba|gydF4y2Ba双gydF4y2Ba

    对象的功能gydF4y2Ba

    全部展开gydF4y2Ba

    紧凑的gydF4y2Ba 减少机器学习模型的大小gydF4y2Ba
    crossvalgydF4y2Ba 旨在机器学习模型gydF4y2Ba
    addInteractionsgydF4y2Ba 添加交互条款单变量广义相加模型(GAM)gydF4y2Ba
    的简历gydF4y2Ba 恢复训练的广义相加模型(GAM)gydF4y2Ba
    石灰gydF4y2Ba 本地可model-agnostic解释(石灰)gydF4y2Ba
    partialDependencegydF4y2Ba 计算部分依赖gydF4y2Ba
    plotLocalEffectsgydF4y2Ba 情节当地的影响计算广义相加模型(GAM)gydF4y2Ba
    plotPartialDependencegydF4y2Ba 创建部分依赖图(PDP)和个人条件期望(ICE)情节gydF4y2Ba
    沙普利gydF4y2Ba 沙普利值gydF4y2Ba
    预测gydF4y2Ba 预测反应使用广义相加模型(GAM)gydF4y2Ba
    损失gydF4y2Ba 回归损失广义相加模型(GAM)gydF4y2Ba
    resubPredictgydF4y2Ba 使用训练有素的回归模型预测反应的训练数据gydF4y2Ba
    resubLossgydF4y2Ba Resubstitution回归损失gydF4y2Ba

    例子gydF4y2Ba

    全部折叠gydF4y2Ba

    打开生活的脚本gydF4y2Ba

    火车一个单变量GAM,其中包含线性项预测。然后,解释预测通过使用指定的数据实例gydF4y2BaplotLocalEffectsgydF4y2Ba函数。gydF4y2Ba

    加载数据集gydF4y2BaNYCHousing2015gydF4y2Ba。gydF4y2Ba

    负载gydF4y2BaNYCHousing2015gydF4y2Ba

    数据集包括10变量信息属性的销售在2015年在纽约。这个示例使用这些变量分析销售价格(gydF4y2BaSALEPRICEgydF4y2Ba)。gydF4y2Ba

    预处理的数据集。删除离群值,转换gydF4y2BadatetimegydF4y2Ba阵列(gydF4y2BaSALEDATEgydF4y2Ba)本月数据,并将响应变量(gydF4y2BaSALEPRICEgydF4y2Ba最后一列。gydF4y2Ba

    idx = isoutlier (NYCHousing2015.SALEPRICE);NYCHousing2015 (idx:) = [];NYCHousing2015。SALEDATE=month(NYCHousing2015.SALEDATE); NYCHousing2015 = movevars(NYCHousing2015,“SALEPRICE”gydF4y2Ba,gydF4y2Ba“后”gydF4y2Ba,gydF4y2Ba“SALEDATE”gydF4y2Ba);gydF4y2Ba

    显示表的前三行。gydF4y2Ba

    头(NYCHousing2015, 3)gydF4y2Ba
    ans =gydF4y2Ba表3×10gydF4y2Ba区附近BUILDINGCLASSCATEGORY RESIDENTIALUNITS COMMERCIALUNITS LANDSQUAREFEET GROSSSQUAREFEET YEARBUILT SALEDATE SALEPRICE _________ _______ ____________________________ ___________ ________售予____ ____售予* * * 2 {‘BATHGATE}{01一个家庭住宅的}1 0 4750 2619 1899 8 0 2 {‘BATHGATE}{01一个家庭住宅的}1 0 4750 2619 1899 8 0 2 {‘BATHGATE}{01一个家庭住宅的}1 1 1287 2528 1899 12 0gydF4y2Ba

    火车的单变量GAM销售价格。指定的变量gydF4y2Ba区gydF4y2Ba,gydF4y2Ba社区gydF4y2Ba,gydF4y2BaBUILDINGCLASSCATEGORYgydF4y2Ba,gydF4y2BaSALEDATEgydF4y2Ba分类预测。gydF4y2Ba

    Mdl = fitrgam (NYCHousing2015,gydF4y2Ba“SALEPRICE”gydF4y2Ba,gydF4y2Ba“CategoricalPredictors”gydF4y2Ba(1 2 3 9))gydF4y2Ba
    Mdl = RegressionGAM PredictorNames: {1 x9细胞}ResponseName:“SALEPRICE”CategoricalPredictors: [1 2 3 9] ResponseTransform:“没有一个”拦截:3.7518 e + 05 NumObservations: 83517属性,方法gydF4y2Ba

    MdlgydF4y2Ba是一个gydF4y2BaRegressionGAMgydF4y2Ba模型对象。该模型显示显示了部分模型的属性列表。查看完整的属性列表,双击变量名gydF4y2BaMdlgydF4y2Ba在工作区中。变量编辑器打开gydF4y2BaMdlgydF4y2Ba。或者,您可以在命令窗口中显示属性使用点符号。例如,显示估计拦截(常数)的gydF4y2BaMdlgydF4y2Ba。gydF4y2Ba

    Mdl.InterceptgydF4y2Ba
    ans = 3.7518 e + 05gydF4y2Ba

    预测销售价格第一对训练数据的观察和情节当地条件的影响gydF4y2BaMdlgydF4y2Ba在预测。gydF4y2Ba

    yFit =预测(Mdl NYCHousing2015 (1,:))gydF4y2Ba
    yFit = 4.4421 e + 05gydF4y2Ba
    :plotLocalEffects (Mdl NYCHousing2015 (1))gydF4y2Ba

    图包含一个轴。坐标轴标题当地影响情节包含一个对象类型的酒吧。gydF4y2Ba

    的gydF4y2Ba预测gydF4y2Ba函数预测第一次观察到的销售价格gydF4y2Ba4.4421 e5gydF4y2Ba。的gydF4y2BaplotLocalEffectsgydF4y2Ba函数创建一个水平条形图显示当地条件的影响gydF4y2BaMdlgydF4y2Ba在预测。每个局部效应值显示每一项的贡献预测销售价格。gydF4y2Ba

    打开生活的脚本gydF4y2Ba

    火车一个包含线性广义相加模型和交互条件预测在三种不同的方式:gydF4y2Ba

    • 指定的交互使用gydF4y2Ba公式gydF4y2Ba输入参数。gydF4y2Ba

    • 指定gydF4y2Ba“互动”gydF4y2Ba名称-值参数。gydF4y2Ba

    • 首先建立一个模型与线性项和添加交互模型通过使用条款gydF4y2BaaddInteractionsgydF4y2Ba函数。gydF4y2Ba

    加载gydF4y2BacarbiggydF4y2Ba的数据集,其中包含测量汽车在1970年代末和1980年代初。gydF4y2Ba

    负载gydF4y2BacarbiggydF4y2Ba

    创建一个表,其中包含预测变量(gydF4y2Ba加速度gydF4y2Ba,gydF4y2Ba位移gydF4y2Ba,gydF4y2Ba马力gydF4y2Ba,gydF4y2Ba重量gydF4y2Ba)和响应变量(gydF4y2Ba英里/加仑gydF4y2Ba)。gydF4y2Ba

    台=表(加速度、位移、马力、体重、MPG);gydF4y2Ba

    指定gydF4y2Ba公式gydF4y2Ba

    火车一个包含四个线性GAM术语(gydF4y2Ba加速度gydF4y2Ba,gydF4y2Ba位移gydF4y2Ba,gydF4y2Ba马力gydF4y2Ba,gydF4y2Ba重量gydF4y2Ba)和两个交互术语(gydF4y2Ba*位移加速度gydF4y2Ba和gydF4y2Ba位移*马力gydF4y2Ba)。指定使用一个公式的形式gydF4y2Ba“Y ~条款”gydF4y2Ba。gydF4y2Ba

    Mdl1 = fitrgam(资源描述,gydF4y2Ba“MPG ~加速+ +能力+重量+位移加速度:位移+位移:马力的gydF4y2Ba);gydF4y2Ba

    函数添加交互模型的重要性的顺序。您可以使用gydF4y2Ba的相互作用gydF4y2Ba财产检查条款的交互模型和顺序gydF4y2BafitrgamgydF4y2Ba将它们添加到模型中。显示gydF4y2Ba的相互作用gydF4y2Ba财产。gydF4y2Ba

    Mdl1.InteractionsgydF4y2Ba
    ans =gydF4y2Ba2×2gydF4y2Ba2 3 1 2gydF4y2Ba

    每一行的gydF4y2Ba的相互作用gydF4y2Ba代表一个交互术语和包含的列索引的预测变量的交互项。gydF4y2Ba

    指定gydF4y2Ba“互动”gydF4y2Ba

    通过训练数据(gydF4y2Ba资源描述gydF4y2Ba)和响应变量的名称gydF4y2Ba资源描述gydF4y2Ba来gydF4y2BafitrgamgydF4y2Ba,功能包括所有其他变量的线性项预测。指定gydF4y2Ba“互动”gydF4y2Ba使用一个逻辑名称参数矩阵包括两个交互方面,gydF4y2Bax1 * x2gydF4y2Ba和gydF4y2Bax2 * x3gydF4y2Ba。gydF4y2Ba

    Mdl2 = fitrgam(资源描述,gydF4y2Ba“英里”gydF4y2Ba,gydF4y2Ba“互动”gydF4y2Ba、逻辑([1 1 0 0;0 1 1 0]));Mdl2.InteractionsgydF4y2Ba
    ans =gydF4y2Ba2×2gydF4y2Ba2 3 1 2gydF4y2Ba

    您还可以指定gydF4y2Ba“互动”gydF4y2Ba交互的数量或条款gydF4y2Ba“所有”gydF4y2Ba包含所有可用的交互。在指定的交互项,gydF4y2BafitrgamgydF4y2Ba识别那些gydF4y2BapgydF4y2Ba值不大于gydF4y2Ba“MaxPValue”gydF4y2Ba值并将它们添加到模型中。默认的gydF4y2Ba“MaxPValue”gydF4y2Ba是1,函数将所有指定的交互项添加到模型中。gydF4y2Ba

    指定gydF4y2Ba“互动”、“所有”gydF4y2Ba并设置gydF4y2Ba“MaxPValue”gydF4y2Ba0.05名称参数。gydF4y2Ba

    Mdl3 = fitrgam(资源描述,gydF4y2Ba“英里”gydF4y2Ba,gydF4y2Ba“互动”gydF4y2Ba,gydF4y2Ba“所有”gydF4y2Ba,gydF4y2Ba“MaxPValue”gydF4y2Ba,0.05);gydF4y2Ba
    警告:不包括交互模型方面因为所有交互项假定值大于“MaxPValue”值,或者软件无法改善模型。gydF4y2Ba
    Mdl3.InteractionsgydF4y2Ba
    ans = 0 x2空双矩阵gydF4y2Ba

    Mdl3gydF4y2Ba不包含交互条款,这意味着以下之一:所有交互项gydF4y2BapgydF4y2Ba值大于0.05,或添加交互条款不适合改善模型。gydF4y2Ba

    使用gydF4y2BaaddInteractionsgydF4y2Ba函数gydF4y2Ba

    火车一个包含线性单变量GAM条件预测,然后添加交互训练模型通过使用条款gydF4y2BaaddInteractionsgydF4y2Ba函数。指定的第二个输入参数gydF4y2BaaddInteractionsgydF4y2Ba以同样的方式你指定gydF4y2Ba“互动”gydF4y2Ba名称-值参数gydF4y2BafitrgamgydF4y2Ba。您可以指定使用逻辑矩阵相互作用项的列表,交互项的数量,或gydF4y2Ba“所有”gydF4y2Ba。gydF4y2Ba

    指定数量的交互条款3三个最重要的交互项添加到训练模型。gydF4y2Ba

    Mdl4 = fitrgam(资源描述,gydF4y2Ba“英里”gydF4y2Ba);UpdatedMdl4 = addInteractions (Mdl4 3);UpdatedMdl4.InteractionsgydF4y2Ba
    ans =gydF4y2Ba3×2gydF4y2Ba2 3 1 2 3 4gydF4y2Ba

    Mdl4gydF4y2Ba是一个单变量GAM,gydF4y2BaUpdatedMdl4gydF4y2Ba是一个包含所有的更新GAM条款gydF4y2BaMdl4gydF4y2Ba和三个额外的交互。gydF4y2Ba

    打开生活的脚本gydF4y2Ba

    火车一个包含两个线性回归GAM和交互。指定培训条件的交互次数较少的迭代。训练后的交互方面更多的迭代,比较resubstitution损失。gydF4y2Ba

    加载gydF4y2BacarbiggydF4y2Ba的数据集,其中包含测量汽车在1970年代末和1980年代初。gydF4y2Ba

    负载gydF4y2BacarbiggydF4y2Ba

    指定gydF4y2Ba加速度gydF4y2Ba,gydF4y2Ba位移gydF4y2Ba,gydF4y2Ba马力gydF4y2Ba,gydF4y2Ba重量gydF4y2Ba作为预测变量(gydF4y2BaXgydF4y2Ba),gydF4y2Ba英里/加仑gydF4y2Ba作为响应变量(gydF4y2BaYgydF4y2Ba)。gydF4y2Ba

    X =(加速度、位移、马力、重量);Y = MPG;gydF4y2Ba

    火车GAM,包括所有可用的线性和交互方面gydF4y2BaXgydF4y2Ba。树的数量/交互项指定为2。gydF4y2BafitrgamgydF4y2Ba提高算法迭代300次(默认)线性项,指定的迭代次数和迭代算法的交互。每个增加迭代的功能增加了一棵树每线性项或一棵树每交互项。指定gydF4y2Ba“详细”gydF4y2Ba1在每10迭代显示诊断消息。gydF4y2Ba

    Mdl = fitrgam (X, Y,gydF4y2Ba“互动”gydF4y2Ba,gydF4y2Ba“所有”gydF4y2Ba,gydF4y2Ba“NumTreesPerInteraction”gydF4y2Ba2,gydF4y2Ba“详细”gydF4y2Ba1);gydF4y2Ba
    | = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = | | |型NumTrees |异常| RelTol | LearnRate | | = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = | | 1 d | 0 | 2.4432 e + 05 | - | | | 1 d | 1 | 9507.4 |正| 1 | | 1 d | 10 | 4470.6 | 0.00025206 | 1 | | 1 d | 20 | 3895.3 | 0.00011448 | 1 | | 1 d 30 | 3617.7 | 3.5365 | e-05 | 1 | | 1 d 40 | | 3402.5 | 3.7992 e-05 | 1 | | 1 d 50 | | 3257.1 | 2.4983 e-05 | 1 | | 1 d 60 | | 3131.8 | 2.3873 e-05 | 1 | | 1 d | 70 | 3019.8 | 2.2967 e-05 | 1 | | 1 d | 80 | 2925.9 | 2.8071 e-05 | 1 | | 1 d | 90 | 2845.3 | 1.6811 e-05 | 1 | | 1 d | 100 | 2772.7 | 1.852 e-05 | 1 | | 1 d | 110 | 2707.8 | 1.6754 e-05 | 1 | | 1 d | 120 | 2649.8 | 1.651 e-05 | 1 | | 1 d | 130 | 2596.6 | 1.1723 e-05 | 1 | | 1 d | 140 | 2547.4 | 1.813 e-05 | 1 | | 1 d | 150 | 2501.1 | 1.8659 e-05 | 1 | | 1 d | 160 | 2455.7 | 1.386 e-05 | 1 | | 1 d | 170 | 2416.9 | 1.0615 e-05 | 1 | | 1 d | 180 | 2377.2 | 8.534 e-06 | 1 | | 1 d | 190 | 2339 | 7.6771 e-06 | 1 | | 1 d | 200 | 2303.3 | 9.5866 e-06 | 1 | | 1 d | 210 | 2270.7 | 8.4276 e-06 | 1 | | 1 d | 220 | 2240.1 | 8.5778 e-06 | 1 | | 1 d | 230 | 2209.2 | 9.6761 e-06 | 1 | | 1 d | 240 | 2178.7 | 7.0622 e-06 | 1 | | 1 d | 250 | 2150.3 | 8.3082 e-06 | 1 | | 1 d | 260 | 2122.3 | 7.9542 e-06 | 1 | | 1 d | 270 | 2097.7 | 7.6328 e-06 | 1 | | 1 d | 280 | 2070.4 | 9.4322 e-06 | 1 | | 1 d | 290 | 2044.3 | 7.5722 e-06 | 1 | | 1 d | 300 | 2019.7 | 6.6719 e-06 | 1 | | = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = | | |型NumTrees |异常| RelTol | LearnRate | | = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = | | 2 d | 0 | 2019.7 | - | | | 2 d | 1 | 1795.5 | 0.0005975 | 1 | | 2 d | 2 | 1523.4 | 0.0010079 | 1 |gydF4y2Ba

    检查是否gydF4y2BafitrgamgydF4y2Ba列车指定数量的树,显示gydF4y2BaReasonForTerminationgydF4y2Ba财产的训练模型和视图显示的消息。gydF4y2Ba

    Mdl.ReasonForTerminationgydF4y2Ba
    ans =gydF4y2Ba结构体字段:gydF4y2BaPredictorTrees:“训练后终止请求数量的树木。”InteractionTrees:“训练后终止请求数量的树木。”gydF4y2Ba

    计算回归训练数据的损失。gydF4y2Ba

    resubLoss (Mdl)gydF4y2Ba
    ans = 3.8277gydF4y2Ba

    另一个100次迭代恢复训练模型。因为gydF4y2BaMdlgydF4y2Ba既包含线性和互动方面,gydF4y2Ba的简历gydF4y2Ba功能恢复训练的交互条款和添加更多的树(交互树)。gydF4y2Ba

    UpdatedMdl =简历(Mdl, 100);gydF4y2Ba
    | = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = | | |型NumTrees |异常| RelTol | LearnRate | | = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = | | 2 d | 0 | 1523.4 | - | | | 2 d | 1 | 1363.9 | 0.00039695 | 1 | | 2 d 10 | | 594.04 | 8.0295 e-05 | 1 | | 2 d 20 | | 359.44 | 4.3201 e-05 | 1 | | 2 d 30 | | 238.51 | 2.6869 e-05 | 1 | | 2 d 40 | | 153.98 | 2.6271 e-05 | 1 | | 2 d 50 | | 91.464 | 8.0936 e-06 | 1 | | 2 d 60 | | 61.882 | 3.8528 e-06 | 1 | | 2 d | 70 | 43.206 | 5.9888 e-06 | 1 |gydF4y2Ba
    UpdatedMdl.ReasonForTerminationgydF4y2Ba
    ans =gydF4y2Ba结构体字段:gydF4y2BaPredictorTrees:“训练后终止请求数量的树木。”InteractionTrees:“不能改善模型适合。”gydF4y2Ba

    的简历gydF4y2Ba终止培训当添加更多的树不能改善模型的异常。gydF4y2Ba

    使用更新后的模型计算回归损失。gydF4y2Ba

    resubLoss (UpdatedMdl)gydF4y2Ba
    ans = 0.0944gydF4y2Ba

    回归后减少损失gydF4y2Ba的简历gydF4y2Ba用更多的迭代更新模型。gydF4y2Ba

    更多关于gydF4y2Ba

    全部展开gydF4y2Ba

    引用gydF4y2Ba

    [1]卢,阴,丰富Caruana,约翰内斯·耶尔克。“可理解的模式分类和回归。”gydF4y2Ba18 ACM SIGKDD学报》国际会议上知识发现和数据挖掘(KDD ' 12)。gydF4y2Ba中国,北京:ACM出版社,2012,页150 - 158。gydF4y2Ba

    [2]卢、阴、富Caruana,约翰内斯·耶尔克,贾尔斯妓女。“准确理解成对作用模型。”gydF4y2Ba19 ACM SIGKDD学报》国际会议上知识发现和数据挖掘(KDD ' 13)gydF4y2Ba美国伊利诺斯州芝加哥:ACM出版社,2013,页623 - 631。gydF4y2Ba

    另请参阅gydF4y2Ba

    |gydF4y2Ba|gydF4y2Ba|gydF4y2Ba|gydF4y2Ba

    主题gydF4y2Ba

    介绍了R2021agydF4y2Ba

    统计和机器学习工具箱文档gydF4y2Ba

    万博1manbetx

    掌握机器学习:一个循序渐进的指导与MATLABgydF4y2Ba

    掌握机器学习:一个循序渐进的指导与MATLABgydF4y2Ba

    下载电子书gydF4y2Ba