Esta página aún no se ha traducido para esta versión. Puede ver la versión más reciente de esta página en inglés.

RegressionBaggedEnsemble

Paquete: classreg.learning.regr
Superclases: RegressionEnsemble

Conjunto de regresión cultivado por remuestreo

Descripción

combina un conjunto de modelos de alumnos débiles capacitados y datos en los que se entrenaron estos alumnos.RegressionBaggedEnsemble Puede predecir la respuesta del conjunto para los nuevos datos agregando las predicciones de sus estudiantes débiles.

Construcción

Cree un objeto de conjunto de regresión embolvado utilizando.fitrensemble Establezca el argumento de par nombre-valor de para utilizar la agregación de arranque (embolsado, por ejemplo, bosque aleatorio).'Method'fitrensemble'Bag'

Propiedades

BinEdges

Aristas de ubicación para los predictores numéricos, especificados como una matriz de celdas de vectores numéricos, donde es el número de predictores.pp Cada vector incluye los bordes de la papelera para un predictor numérico. El elemento en la matriz de celdas para un predictor categórico está vacío porque el software no bin predictores categóricos.

Los predictores numéricos de bins de software solo si especifica el argumento de par nombre-valor como un escalar entero positivo al entrenar un modelo con alumnos de árbol.'NumBins' La propiedad está vacía si el valor está vacío (valor predeterminado).BinEdges'NumBins'

Puede reproducir los datos de predictor en binned utilizando la propiedad del modelo entrenado.XbinnedBinEdgesmdl

X = mdl.X; % Predictor data
Xbinned = zeros(size(X));
edges = mdl.BinEdges;
% Find indices of binned predictors.
idxNumeric = find(~cellfun(@isempty,edges));
if iscolumn(idxNumeric)
    idxNumeric = idxNumeric';
end
for j = idxNumeric 
    x = X(:,j);
    % Convert x to array if x is a table.
    if istable(x) 
        x = table2array(x);
    end
    % Group x into bins by using the discretize function.
    xbinned = discretize(x,[-inf; edges{j}; inf]); 
    Xbinned(:,j) = xbinned;
end
contiene los índices de ubicación, que van desde 1 hasta el número de bins, para los predictores numéricos. valores son 0 para los predictores categóricos.XbinnedXbinned Si contiene s, los valores correspondientes son s.XNaNXbinnedNaN

CategoricalPredictors

Índices predictores categóricos, especificados como un vector de enteros positivos. contiene valores de índice correspondientes a las columnas de los datos del predictor que contienen predictores categóricos.CategoricalPredictors Si ninguno de los predictores es categórico, entonces esta propiedad está vacía ().[]

CombineWeights

Un vector de caracteres que describe cómo el conjunto combina las predicciones del alumno.

ExpandedPredictorNames

Nombres de predictores ampliados, almacenados como una matriz de vectores de caracteres de celda.

Si el modelo utiliza codificación para variables categóricas, incluye los nombres que describen las variables expandidas.ExpandedPredictorNames De lo contrario, es el mismo que.ExpandedPredictorNamesPredictorNames

FitInfo

Una matriz numérica de información de ajuste. La propiedad describe el contenido de esta matriz.FitInfoDescription

FitInfoDescription

Vector de caracteres que describe el significado de la matriz.FitInfo

FResample

Un escalar numérico entre y. es la fracción de los datos de entrenamiento remuestreados aleatoriamente para cada alumno débil al construir el conjunto.01FResamplefitrensemble

HyperparameterOptimizationResults

Descripción de la optimización de validación cruzada de los hiperparámetros, almacenada como un objeto o una tabla de hiperparámetros y valores asociados.BayesianOptimization No vacía cuando el par nombre-valor no está vacío en la creación.OptimizeHyperparameters El valor depende de la configuración del par nombre-valor en la creación:HyperparameterOptimizationOptions

  • (valor predeterminado) — objeto de la clase'bayesopt'BayesianOptimization

  • o — tabla de hiperparámetros utilizados, valores de función objetiva observados (pérdida de validación cruzada) y rango de observaciones de menor (mejor) a mayor (peor)'gridsearch''randomsearch'

LearnerNames

Matriz de vectores de caracteres con nombres de los estudiantes débiles en el conjunto. El nombre de cada alumno aparece solo una vez. Por ejemplo, si tiene un conjunto de 100 árboles, es.LearnerNames{'Tree'}

Method

Un vector de caracteres con el nombre del algoritmo utilizado para entrenar el conjunto.fitrensemble

ModelParameters

Parámetros utilizados en la formación.ens

NumObservations

Escalar numérico que contiene el número de observaciones de los datos de entrenamiento.

NumTrained

Número de estudiantes entrenados en el conjunto, un escalar positivo.

PredictorNames

Matriz de nombres de celdas para las variables predictoras, en el orden en que aparecen.X

ReasonForTermination

Un vector de caracteres que describe la razón dejó de agregar a los estudiantes débiles al conjunto.fitrensemble

Regularization

Una estructura que contiene el resultado de la regularize Método. Utilice conRegularización shrink para reducir el error de reenvío y reducir el conjunto.

Replace

Indicador booleano que indica si los datos de entrenamiento para los estudiantes débiles en este conjunto fueron muestreados con reemplazo. es para muestrear con reemplazo, de lo contrario.Replacetruefalse

ResponseName

Un vector de caracteres con el nombre de la variable de respuesta.Y

ResponseTransform

Identificador de función para transformar puntuaciones o vector de caracteres que representa una función de transformación integrada. significa que no hay transformación; equivalentemente, significa.'none''none'@(x)x

Añadir o cambiar una función utilizando la notación de puntos:ResponseTransform

ens.ResponseTransform = @function

Trained

Los alumnos capacitados, un conjunto de celdas de modelos de regresión compacta.

TrainedWeights

Un vector numérico de pesos que el conjunto asigna a sus alumnos. El conjunto calcula la respuesta pronosticada agregando predicciones ponderadas de sus alumnos.

UseObsForLearner

Una matriz lógica de tamaño por-, donde es el número de filas (observaciones) en los datos de entrenamiento, y es el número de estudiantes débiles entrenados. es si la observación se usó para entrenar al aprendiz, y es de otra manera.NNumTrainedNXNumTrainedUseObsForLearner(I,J)trueIJfalse

W

La escala, un vector con la longitud, el número de filas en.weightsnX La suma de los elementos de is.W1

X

La matriz o tabla de valores predictores que entrenaron al conjunto. Cada columna de representa una variable, y cada fila representa una observación.X

Y

El vector de columna numérico con el mismo número de filas que entrenó el conjunto.X Cada entrada es la respuesta a los datos en la fila correspondiente de.YX

Métodos

oobLossError de regresión fuera de la bolsa
oobPermutedPredictorImportanceEstimaciones de importancia predictora por permutación de observaciones de predictor fuera de bolsa para bosque aleatorio de árboles de regresión
oobPredictPredecir la respuesta fuera de bolsa del conjunto

Métodos heredados

compactCrear conjunto de regresión compacta
crossvalConjunto de validación cruzada
cvshrinkConjunto de reducción de validación cruzada (poda)
regularizeEncuentre pesos para minimizar el error de reenvío más el plazo de penalización
resubLossError de regresión por reenvío
resubPredictPredecir la respuesta del conjunto mediante el reenvío
resumeReanudar conjunto de entrenamiento
shrinkEl conjunto de Prune
lossError de regresión
predictPredecir respuestas usando conjuntos de modelos de regresión
predictorImportanceLas estimaciones de importancia predictora
removeLearnersQuite los miembros del conjunto de regresión compacta

Semántica de copia

Valor. Para saber cómo afectan las clases de valor a las operaciones de copia, consulte.Copiar objetos (MATLAB)

Ejemplos

contraer todo

Cargue el conjunto de datos.carsmall Considere un modelo que explica la economía de combustible de un automóvil () utilizando su peso () y el número de cilindros ().MPGWeightCylinders

load carsmall X = [Weight Cylinders]; Y = MPG;

Entrenar un conjunto embolado de 100 árboles de regresión utilizando todas las mediciones.

Mdl = fitrensemble(X,Y,'Method','bag')
Mdl =    classreg.learning.regr.RegressionBaggedEnsemble              ResponseName: 'Y'     CategoricalPredictors: []         ResponseTransform: 'none'           NumObservations: 94                NumTrained: 100                    Method: 'Bag'              LearnerNames: {'Tree'}      ReasonForTermination: 'Terminated normally after completing the requested number of training cycles.'                   FitInfo: []        FitInfoDescription: 'None'            Regularization: []                 FResample: 1                   Replace: 1          UseObsForLearner: [94x100 logical]     Properties, Methods  

es un objeto de modelo.MdlRegressionBaggedEnsemble

es la propiedad que almacena un vector de celda 100-por-1 de los árboles de regresión formados y compactos (objetos del modelo) que componen el conjunto.Mdl.TrainedCompactRegressionTree

Trace un gráfico del primer árbol de regresión entrenado.

view(Mdl.Trained{1},'Mode','graph')

Por defecto, crece árboles profundos para las bolsas de árboles.fitrensemble

Estime el error medio cuadrado de la muestra (MSE).

L = resubLoss(Mdl)
L = 18.5108 

Sugerencias

Para un conjunto embolado de árboles de regresión, la propiedad de almacena un vector de celda de objetos de modelo.Trainedensens.NumTrainedCompactRegressionTree Para una visualización textual o gráfica del árbol t en el vector de celda, escriba

view(ens.Trained{t})

Capacidades ampliadas

Introducido en R2011a