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

loss

Error de regresión

Sintaxis

L = loss(ens,tbl,ResponseVarName)
L = loss(ens,tbl,Y)
L = loss(ens,X,Y)
L = loss(___,Name,Value)

Descripción

L = loss(ens,tbl,ResponseVarName) Devuelve el error medio cuadrado entre las predicciones de los datos en, en comparación con las respuestas verdaderas.enstbltbl.ResponseVarName

L = loss(ens,tbl,Y) Devuelve el error medio cuadrado entre las predicciones de los datos en, en comparación con las respuestas verdaderas.enstblY

L = loss(ens,X,Y) Devuelve el error medio cuadrado entre las predicciones de los datos en, en comparación con las respuestas verdaderas.ensXY

L = loss(___,Name,Value) calcula el error en la predicción con opciones adicionales especificadas por uno o más argumentos de par, utilizando cualquiera de las sintaxis anteriores.Name,Value

Argumentos de entrada

ens

Un conjunto de regresión creado con, o elfitrensemble compact Método.

tbl

Datos de ejemplo, especificados como una tabla. Cada fila de corresponde a una observación, y cada columna corresponde a una variable predictora. debe contener todos los predictores utilizados para entrenar el modelo.tbltbl No se permiten las variables de varias columnas ni matrices de celdas que no sean matrices de celdas de vectores de caracteres.

Si ha entrenado con datos de ejemplo contenidos en a, los datos de entrada para este método también deben estar en una tabla.enstable

ResponseVarName

Nombre de variable de respuesta, especificado como el nombre de una variable en.tbl La variable de respuesta debe ser un vector numérico.

Debe especificar como un vector de caracteres o un escalar de cadena.ResponseVarName Por ejemplo, si la variable de respuesta se almacena como, a continuación, especifíquese como.Ytbl.Y'Y' De lo contrario, el software trata todas las columnas de, incluidos, como predictores al entrenar el modelo.tblY

X

Una matriz de valores predictores. Cada columna de representa una variable, y cada fila representa una observación.X

valores se toman como valores faltantes.NaNX Las observaciones con todos los valores faltantes para no se utilizan en el cálculo de la pérdida.X

Si ha entrenado con datos de ejemplo contenidos en una matriz, los datos de entrada para este método también deben estar en una matriz.ens

Y

Un vector de columna numérico con el mismo número de filas que o.tblX Cada entrada es la respuesta a los datos en la fila correspondiente de o.YtblX

valores se toman como valores faltantes.NaNY Las observaciones con valores faltantes para no se utilizan en el cálculo de la pérdida.Y

Argumentos de par nombre-valor

Especifique pares de argumentos separados por comas opcionales. es el nombre del argumento y es el valor correspondiente. deben aparecer dentro de las cotizaciones.Name,ValueNameValueName Puede especificar varios argumentos de par de nombre y valor en cualquier orden como.Name1,Value1,...,NameN,ValueN

'learners'

Índices de estudiantes débiles en el conjunto que van desde. solo usa estos alumnos para calcular la pérdida.1ens.NumTrainedoobEdge

Predeterminado: 1:NumTrained

'lossfun'

Manija de función para la función de pérdida, o, significa error cuadrado medio.'mse' Si pasa un identificador de función, lo llama comofunloss

fun(Y,Yfit,W)

Dónde, y son vectores numéricos de la misma longitud.YYfitW

  • es la respuesta observada.Y

  • es la respuesta pronosticada.Yfit

  • son los pesos de observación.W

El valor devuelto debe ser un escalar.fun(Y,Yfit,W)

Predeterminado: 'mse'

'mode'

Significado de la salida:L

  • — es un valor escalar, la pérdida para todo el conjunto.'ensemble'L

  • : es un vector con un elemento por alumno entrenado.'individual'L

  • : es un vector en el que el elemento se obtiene mediante el uso de alumnos de la lista de entrada de alumnos.'cumulative'LJ1:J

Predeterminado: 'ensemble'

'UseObsForLearner'

Una matriz lógica de tamaño por-, donde es el número de observaciones en, y es el número de estudiantes débiles.NNumTrainedNens.XNumTrained Cuando es, utiliza aprendiz en la predicción de la observación.UseObsForLearner(I,J)truePredecirJI

Predeterminado: true(N,NumTrained)

'weights'

Vector numérico de pesos de observación con el mismo número de elementos que.Y La fórmula para con está en.lossweightsError medio cuadrado ponderado

Predeterminado: ones(size(Y))

Argumentos de salida

L

Error medio ponderado cuadrado de las predicciones. La fórmula está en.lossError medio cuadrado ponderado

Ejemplos

expandir todo

Encontrar la pérdida de un predictor de conjunto utilizando el conjunto de datos.carsmall

Cargue el conjunto de datos y seleccione el desplazamiento del motor, la potencia y el peso del vehículo como predictores.carsmall

load carsmall X = [Displacement Horsepower Weight];

Entrena un conjunto de árboles de regresión y encuentra el error de regresión para predecir.MPG

ens = fitrensemble(X,MPG); L = loss(ens,X,MPG)
L = 0.3463 

Más acerca de

expandir todo

Capacidades ampliadas

Consulte también

|