Esta página aún no se ha traducido para esta versión. Puede ver la versión más reciente de esta página en inglés.

cvshrink

Conjunto de reducción de validación cruzada (poda)

Sintaxis

vals = cvshrink(ens)
[vals,nlearn] = cvshrink(ens)
[vals,nlearn] = cvshrink(ens,Name,Value)

Descripción

vals = cvshrink(ens) Devuelve una-por-matriz con valores de validación cruzada del error cuadrado medio. es el número de valores de la estructura. es el número de valores en pesos débiles del alumno.LTLlambdaens.RegularizationTthreshold Si no tiene una propiedad rellenada por elensRegularización regularize método, pase un par nombre-valor.lambda

[vals,nlearn] = cvshrink(ens) Devuelve una-por-matriz del número medio de alumnos en el conjunto validado de forma cruzada.LT

[vals,nlearn] = cvshrink(ens,Name,Value) Cross se valida con opciones adicionales especificadas por uno o más argumentos de par.Name,Value Puede especificar varios argumentos de par nombre-valor en cualquier orden como.Name1,Value1,…,NameN,ValueN

Argumentos de entrada

ens

Un conjunto de regresión, creado con.fitrensemble

Argumentos de par nombre-valor

Especifique pares de argumentos separados por comas opcionales. es el nombre del argumento y es el valor correspondiente. deben aparecer dentro de las cotizaciones.Name,ValueNameValueName Puede especificar varios argumentos de par de nombre y valor en cualquier orden como.Name1,Value1,...,NameN,ValueN

'cvpartition'

Una partición creada para utilizarla en un árbol con validación cruzada.cvpartition Sólo puede utilizar una de estas cuatro opciones a la vez:,,, o.'kfold''holdout''leaveout''cvpartition'

'holdout'

La validación de exclusión prueba la fracción especificada de los datos y usa el resto de los datos para el entrenamiento. Especifique un escalar numérico a partir de.01 Solo puede utilizar una de estas cuatro opciones a la vez para crear un árbol con validación cruzada:,, o.'kfold''holdout''leaveout''cvpartition'

'kfold'

Número de pliegues que se utilizarán en un árbol con validación cruzada, un entero positivo. Si no proporciona un método de validación cruzada, utiliza la validación cruzada de 10 veces.cvshrink Sólo puede utilizar una de estas cuatro opciones a la vez:,,, o.'kfold''holdout''leaveout''cvpartition'

Predeterminado: 10

'lambda'

Vector de valores de parámetro de regularización no negativo para lazo. Si está vacío, no realiza la validación cruzada.cvshrink

Predeterminado: []

'leaveout'

Utilice la validación cruzada de Leave-One-out estableciendo en.'on' Sólo puede utilizar una de estas cuatro opciones a la vez:,,, o.'kfold''holdout''leaveout''cvpartition'

'threshold'

Vector numérico con los recortes más bajos en pesos para los estudiantes débiles. descarta a los alumnos con pesos inferiores en su cálculo de validación cruzada.cvshrinkthreshold

Predeterminado: 0

Argumentos de salida

vals

-by-Matrix con valores de validación cruzada del error cuadrado medio. es el número de valores del parámetro de regularización y es el número de valores en pesos débiles del alumno.LTL'lambda'T'threshold'

nlearn

-by-Matrix con valores de validación cruzada del número medio de alumnos en el conjunto validado. es el número de valores del parámetro de regularización y es el número de valores en pesos débiles del alumno.LTL'lambda'T'threshold'

Ejemplos

expandir todo

Cree un conjunto de regresión para predecir el kilometraje a partir de los datos.carsmall Valide el conjunto.

Cargue el conjunto de datos y seleccione el desplazamiento, la potencia y el peso del vehículo como predictores.carsmall

load carsmall X = [Displacement Horsepower Weight];

Puedes entrenar un conjunto de árboles de regresión en bolsas.

ens = fitrensemble(X,Y,'Method','Bag') 

utiliza un objeto de árbol de plantilla predeterminado como un factor débil cuando es.fircensembletemplateTree()'Method''Bag' En este ejemplo, para la reproducibilidad, especifique Cuándo crea un objeto de plantilla de árbol y, a continuación, utilice el objeto como un factor débil.'Reproducible',true

rng('default') % For reproducibility t = templateTree('Reproducible',true); % For reproducibiliy of random predictor selections ens = fitrensemble(X,MPG,'Method','Bag','Learners',t);

Especifique los valores para y.lambdathreshold Utilice estos valores para validar la validación cruzada del conjunto.

[vals,nlearn] = cvshrink(ens,'lambda',[.01 .1 1],'threshold',[0 .01 .1])
vals = 3×3

   18.1135   18.4634  115.5087
   18.1140   18.4630  115.4477
   18.0823   18.3565  124.1655

nlearn = 3×3

   13.8000   11.5000    3.5000
   13.7000   11.4000    3.5000
   13.8000   11.3000    3.3000

Claramente, establecer un umbral de leads a errores inaceptables, mientras que un umbral de da errores similares a un umbral de.0.10.010 El número medio de estudiantes con un umbral de es aproximadamente, mientras que el número medio es aproximadamente cuando el umbral es.0.0111.413.80

Consulte también

|