Main Content

La traducción de esta página está obsoleta. 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 LearnerTrain regression models to predict data using supervised machine learning

Bloques

RegressionEnsemble PredictPredict responses using ensemble of decision trees for regression

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
limeLocal interpretable model-agnostic explanations (LIME)
partialDependenceCompute partial dependence
plotPartialDependenceCreate partial dependence plot (PDP) and individual conditional expectation (ICE) plots
predictorImportanceEstimates of predictor importance for regression ensemble
shapleyShapley values

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 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.