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

Conjuntos de árboles de regresión

Bosques aleatorios, árboles de regresión impulsados y embolsados

Un conjunto de árboles de regresión es un modelo predictivo compuesto por una combinación ponderada de árboles de regresión múltiple. En general, la combinación de árboles de regresión múltiple aumenta el rendimiento predictivo. Para impulsar árboles de regresión usando LSBoost, use fitrensemble. Para empaquetar árboles de regresión o para cultivar un bosque al azar [11], use fitrensemble o TreeBagger. Para implementar la regresión Quantile usando una bolsa de árboles de regresión, use TreeBagger.

Para conjuntos de clasificación, como árboles de clasificación impulsados o embolsados, conjuntos subespaciales aleatorios o modelos de códigos de salida de corrección de errores (ECOC) para la clasificación de multiclases, consulte Conjuntos de clasificación.

Aplicaciones

Estudiante de regresiónTrain regression models to predict data using supervised machine learning

Funciones

expandir todo

fitrensembleFit ensemble of learners for regression
predictPredict responses using ensemble of regression models
oobPredictPredict out-of-bag response of ensemble
TreeBaggerCreate bag of decision trees
fitrensembleFit ensemble of learners for regression
predictPredict responses using ensemble of bagged decision trees
oobPredictEnsemble predictions for out-of-bag observations
quantilePredictPredict response quantile using bag of regression trees
oobQuantilePredictQuantile predictions for out-of-bag observations from bag of regression trees
crossvalCross validate ensemble
plotPartialDependenceCreate partial dependence plot (PDP) and individual conditional expectation (ICE) plots
predictorImportanceEstimates of predictor importance

Clases

expandir todo

RegressionEnsembleEnsemble regression
CompactRegressionEnsembleCompact regression ensemble class
RegressionPartitionedEnsembleCross-validated regression ensemble
TreeBaggerBag of decision trees
CompactTreeBaggerCompact ensemble of decision trees grown by bootstrap aggregation
RegressionBaggedEnsembleRegression ensemble grown by resampling

Temas

Ensemble Algorithms

Learn about different algorithms for ensemble learning.

Framework for Ensemble Learning

Obtain highly accurate predictions by using many weak learners.

Train Regression Ensemble

Train a simple regression ensemble.

Test Ensemble Quality

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.

Ensemble Regularization

Automatically choose fewer weak learners for an ensemble in a way that does not diminish predictive performance.

Bootstrap Aggregation (Bagging) of Regression Trees

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.