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 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

Árboles de regresión embolsados

`TreeBagger`	Create bag of decision trees
`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

Clases

expandir todo

Conjunto de regresión

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

Árboles 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

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.