Esta página aún no se ha traducido para esta versión. Puede ver la versión más reciente de esta página en inglés.
Un conjunto de árbol de regresión es un modelo predictivo compuesto por una combinación ponderada de varios árboles de regresión. En general, la combinación de varios árboles de regresión aumenta el rendimiento predictivo. Para aumentar los árboles de regresión mediante LSBoost, utilice .fitrensemble
Para embolsar árboles de regresión o para cultivar un bosque aleatorio, utilice o .[11]fitrensemble
TreeBagger
Para implementar la regresión cuantitativa mediante una bolsa de árboles de regresión, utilice .TreeBagger
Para conjuntos de clasificación, como árboles de clasificación potenciados o embolsados, conjuntos subespaciales aleatorios o modelos de códigos de salida de corrección de errores (ECOC) para la clasificación multiclase, véase .Conjuntos de Clasificación
Train regression models to predict data using supervised machine learning | |
Alumno de regresión | Train regression models to predict data using supervised machine learning |
Learn about different algorithms for ensemble learning.
Framework for Ensemble Learning
Obtain highly accurate predictions by using many weak learners.
Train a simple regression ensemble.
Learn methods to evaluate the predictive quality of an ensemble.
Select Predictors for Random Forests
Select split-predictors for random forests using interaction test algorithm.
Automatically choose fewer weak learners for an ensemble in a way that does not diminish predictive performance.
Bootstrap Aggregation (Bagging) of Regression Trees Using TreeBagger
Create a TreeBagger ensemble for regression.
Use Parallel Processing for Regression TreeBagger Workflow
Speed up computation by running TreeBagger in parallel.
Detect Outliers Using Quantile Regression
Detect outliers in data using quantile random forest.
Conditional Quantile Estimation Using Kernel Smoothing
Estimate conditional quantiles of a response given predictor data using quantile random forest and by estimating the conditional distribution function of the response using kernel smoothing.
Tune Random Forest Using Quantile Error and Bayesian Optimization
Tune quantile random forest using Bayesian optimization.