Ensambles de árboles de regresión

Bosques aleatorios, árboles de regresión potenciados y embolsados

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]fitrensembleTreeBagger 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

Apps

	Train regression models to predict data using supervised machine learning
Alumno de regresión	Train regression models to predict data using supervised machine learning

Funciones

expandir todo

Conjunto de regresión

`fitrensemble`	Fit ensemble of learners for regression
`predict`	Predict responses using ensemble of regression models
`oobPredict`	Predict out-of-bag response of ensemble

Arboles de regresión embolsados

`TreeBagger`	Crear bolsa de árboles de decisión
`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
`plotPartialDependence`	Create partial dependence plot (PDP) and individual conditional expectation (ICE) plots
`predictorImportance`	Estimates of predictor importance for regression ensemble

Clases

expandir todo

Conjunto de regresión

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

Arboles de regresión embolsados

`TreeBagger`	Bag of decision trees
`CompactTreeBagger`	Compact ensemble of decision trees grown by bootstrap aggregation
`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.