La traducción de esta página aún no se ha actualizado a la versión más reciente. Haga clic aquí para ver la última versión en inglés.

Ensembles de árboles de regresión

Bosques aleatorios, árboles de regresión potenciados y empaquetados

Un ensemble de árboles 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 la capacidad predictiva. Para potenciar árboles de regresión mediante LSBoost, utilice fitrensemble. Para empaquetar árboles de regresión o aumentar un bosque aleatorio [12], utilice fitrensemble o TreeBagger. Para implementar una regresión por cuantiles mediante un empaquetado de árboles de regresión, utilice TreeBagger.

En cuanto a los ensembles de clasificación, como árboles de clasificación potenciados o empaquetados, ensembles de subespacios aleatorios o modelos de códigos de salida de corrección de errores (ECOC, por sus siglas en inglés) para clasificación multiclase, consulte Ensembles de clasificación.

Apps

Regression Learner

Train regression models to predict data using supervised machine learning

Bloques

RegressionEnsemble Predict

Predict responses using ensemble of decision trees for regression

Funciones

expandir todo

Ensemble de regresión

Crear un ensemble de regresión

`fitrensemble`	Fit ensemble of learners for regression
`compact`	Create compact regression ensemble
`fitensemble`	Fit ensemble of learners for classification and regression

Modificar un ensemble de regresión

`regularize`	Find weights to minimize resubstitution error plus penalty term
`removeLearners`	Remove members of compact regression ensemble
`resume`	Resume training ensemble
`shrink`	Prune ensemble

Realizar una validación cruzada de un ensemble de regresión

`cvshrink`	Cross-validate shrinking (pruning) ensemble
`kfoldLoss`	Loss for cross-validated partitioned regression model
`kfoldPredict`	Predict responses for observations in cross-validated regression model
`kfoldfun`	Cross-validate function for regression

Medir el rendimiento

`loss`	Regression error
`resubLoss`	Regression error by resubstitution

Clasificar observaciones

`predict`	Predict responses using ensemble of regression models
`resubPredict`	Predict response of ensemble by resubstitution

Recopilar propiedades de un ensemble de regresión

gather Gather properties of Statistics and Machine Learning Toolbox object from GPU

Árboles de regresión empaquetados

`TreeBagger`
`fitrensemble`	Fit ensemble of learners for regression
`predict`	Predict responses using ensemble of bagged decision trees
`oobPredict`	Ensemble predictions for out-of-bag observations
`quantilePredict`	Predict response quantile using bag of regression trees
`oobQuantilePredict`	Quantile predictions for out-of-bag observations from bag of regression trees

Mejorar la regresión

crossval Cross validate ensemble

Interpretar la regresión

`lime`	Local interpretable model-agnostic explanations (LIME)
`partialDependence`	Compute partial dependence
`plotPartialDependence`	Create partial dependence plot (PDP) and individual conditional expectation (ICE) plots
`predictorImportance`	Estimates of predictor importance for regression ensemble
`shapley`	Shapley values

Clases

expandir todo

Ensemble de regresión

`RegressionEnsemble`	Ensemble regression
`CompactRegressionEnsemble`	Compact regression ensemble class
`RegressionPartitionedEnsemble`	Cross-validated regression ensemble

Árboles de regresión empaquetados

`TreeBagger`	Ensemble of bagged decision trees
`CompactTreeBagger`	Compact ensemble of bagged decision trees
`RegressionBaggedEnsemble`	Regression 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 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.
Predict Responses Using RegressionEnsemble Predict Block
Train a regression ensemble model with optimal hyperparameters, and then use the RegressionEnsemble Predict block for response prediction.