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

Conjuntos de árbol de regresión

Bosques aleatorios, árboles de regresión potenciados y en bolsas

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 la bolsa de árboles de regresión o para cultivar un bosque aleatorio, utilice o.[11]fitrensembleTreeBagger Para implementar la regresión de cuantil utilizando una bolsa de árboles de regresión, utilice.TreeBagger

Para conjuntos de clasificación, como árboles de clasificación potenciados o en bolsas, conjuntos subespaciales aleatorios o modelos de códigos de salida de corrección de errores (ECOC) para la clasificación multiclase, consulte.Conjuntos de clasificación

Aplicaciones

El aprendiz de regresión

Entrenar modelos de regresión para predecir datos mediante el aprendizaje automático supervisado

Funciones

expandir todo

Conjunto de regresión

`fitrensemble`	Ajuste conjunto de estudiantes para la regresión
`predict`	Predecir respuestas usando conjuntos de modelos de regresión
`oobPredict`	Predecir la respuesta fuera de bolsa del conjunto

Árboles de regresión embolvado

`TreeBagger`	Crear bolsa de árboles de decisión
`fitrensemble`	Ajuste conjunto de estudiantes para la regresión
`predict`	Predecir las respuestas usando un conjunto de árboles de decisión en bolsas
`oobPredict`	Las predicciones del Ensemble para las observaciones fuera de bolsa
`quantilePredict`	Predecir el cuantil de respuesta usando una bolsa de árboles de regresión
`oobQuantilePredict`	Las predicciones de cuantil para las observaciones fuera de bolsa de la bolsa de árboles de regresión

Mejorar la regresión

`crossval`	Conjunto de validación cruzada
`plotPartialDependence`	Cree parcelas de dependencia parcial (PDP) y de expectativa condicional individual (ICE)
`predictorImportance`	Las estimaciones de importancia predictora

Clases

expandir todo

Conjunto de regresión

`RegressionEnsemble`	La regresión del conjunto
`CompactRegressionEnsemble`	Clase de conjunto de regresión compacta
`RegressionPartitionedEnsemble`	Conjunto de regresión validado con validación cruzada

Árboles de regresión embolvado

`TreeBagger`	Bolsa de árboles de decisión
`CompactTreeBagger`	Conjunto compacto de árboles de decisión cultivados por agregación de bootstrap
`RegressionBaggedEnsemble`	Conjunto de regresión cultivado por remuestreo

Temas

Algoritmos de conjunto

Aprenda sobre diferentes algoritmos para el aprendizaje conjunto.

Framework for Ensemble Learning

Obtener predicciones de alta precisión mediante el uso de muchos estudiantes débiles.

Train regresión Ensemble

Entrena un conjunto de regresión simple.

Prueba de calidad del conjunto

Aprenda métodos para evaluar la calidad predictiva de un conjunto.

Seleccione predictores para bosques aleatorios

Seleccione los predictores divididos para bosques aleatorios mediante el algoritmo de prueba de interacción.

Regularización de conjunto

Elija automáticamente menos alumnos débiles para un conjunto de manera que no disminuya el rendimiento predictivo.

Agregación de bootstrap (embolsado) de árboles de regresión medianteTreeBagger

Crea un conjunto TreeBagger para la regresión.

Utilice procesamiento en paralelo para el flujo de trabajo TreeBagger de regresión

Acelere el cómputo ejecutando TreeBagger en paralelo.

Detectar valores atípicos mediante regresión cuantil

Detecte valores atípicos en los datos utilizando un bosque aleatorio cuantil.

Estimación de cuantil condicional mediante suavizado de kernel

Estime los cuantiles condicionales de una respuesta dados los Datos predictores utilizando un bosque aleatorio cuantil y calculando la función de distribución condicional de la respuesta utilizando el suavizado del kernel.

Tunea Random Forest usando error cuantil y optimización bayesiana

Ajuste el bosque aleatorio de cuantil utilizando la optimización bayesiana.