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 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

`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 empaquetados

`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

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`	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.

Predict Responses Using RegressionEnsemble Predict Block

Train a regression ensemble model with optimal hyperparameters, and then use the RegressionEnsemble Predict block for response prediction.