ドキュメンテーション

最新のリリースでは、このページがまだ翻訳されていません。 このページの最新版は英語でご覧になれます。

CompactRegressionTree クラス

コンパクトな回帰木

説明

コンパクトなバージョンの回帰木 (クラスは RegressionTree)。コンパクトなバージョンには、回帰木の学習のためのデータが含まれません。そのため、コンパクトな回帰木では、交差検定などの一部のタスクを実行できません。コンパクトな回帰木は、新しいデータの予測 (回帰) を行うために使用してください。

構築

ctree = compact(tree) は、完全な決定木からコンパクトな決定木を構築します。

入力引数

tree

fitrtree によって構築された決定木。

プロパティ

CategoricalPredictors

カテゴリカル予測子のリスト。CategoricalPredictors は、1 から p までのインデックスを使用する数値ベクトルです。ここで、p は、X の列数を示します。

CategoricalSplits

n 行 2 列のセル配列。ここで n は、tree 内のカテゴリカル分割の数です。CategoricalSplits の各行は、カテゴリカル分割用の左と右の値になります。カテゴリカル予測子変数 z に基づくカテゴリカル分割をもつ各分岐ノード j において、zCategoricalSplits(j,1) にあれば左の子を選択し、zCategoricalSplits(j,2) にあれば右の子を選択します。分割はツリーのノードと同じ順序で行われます。これらの分割用のノードは、cuttype を実行し 'categorical' カットを上から下に選択すれば見つかります。

Children

tree の各ノードの子ノードの数を含む n 行 2 列の配列。ここで、n はノードの数です。葉ノードは子ノード 0 をもちます。

CutCategories

tree の分岐で使用されたカテゴリを表す n 行 2 列のセル配列。n はノード数です。カテゴリカル予測子変数 x に基づく各分岐ノード i に対して、xCutCategories{i,1} 内のカテゴリである場合は左側の子が選択され、xCutCategories{i,2} 内のカテゴリである場合は右側の子が選択されます。連続予測子に基づく分岐ノードと葉ノードに対する CutCategories の列は両方とも空です。

CutPoint には 'continuous' 切り取りの切り取り点が含まれ、CutCategories にはカテゴリ セットが含まれます。

CutPoint

tree の切り取り点として使用される値を表す要素数 n のベクトル。ここで、n はノード数です。連続予測子変数 x に基づく各分岐ノード i において、CutPoint<v(i) の場合は左側の子が選択され、x>=CutPoint(i) の場合は右側の子が選択されます。カテゴリカル予測子に基づく分岐ノードと葉ノードに対する CutPointNaN です。

CutType

tree の各ノードの切り取りのタイプを示す要素数 n のセル配列。ここで、n はノード数です。各ノード i に対して CutType{i} は次のいずれかです。

  • 'continuous' — 変数 x と切り取り点 v に対して、切り取りが x < v 形式で定義されている場合。

  • 'categorical' — 変数 x がカテゴリ セット内の値を受け取るかどうかによって切り取りが定義されている場合。

  • ''i が葉ノードの場合。

CutPoint には 'continuous' 切り取りの切り取り点が含まれ、CutCategories にはカテゴリ セットが含まれます。

CutPredictor

tree の各ノードの分岐に使用された変数名を示す要素数 n のセル配列。n はノード数です。これらの変数は、"切り取り変数" と呼ばれることもあります。葉ノードの場合、CutPredictor には空の文字列が含まれます。

CutPoint には 'continuous' 切り取りの切り取り点が含まれ、CutCategories にはカテゴリ セットが含まれます。

IsBranchNode

n 要素の論理ベクトル ib であり、tree の各枝ノードの場合は true、各葉ノードの場合は false になります。

NodeError

tree に含まれるノードの誤差の n 要素のベクトル e。ここで、n はノード数です。e(i) は、ノード i の誤判別の確率です。

NodeMean

tree の各ノードの平均値をもつ n 要素の数値配列。ここで n はツリーのノード数を示します。NodeMean の配列のすべての要素は、ノードのすべての観測値に対する真の Y 値を平均です。

NodeProbability

tree に含まれるノードの確率の n 要素のベクトル p。ここで、n はノード数です。ノードの確率は、ノードの条件を満たす元のデータから、観測の比率として計算されます。この比率は、各クラスに割り当てられている前の確率に対して調整されます。

NodeRisk

ツリーに含まれるノードのリスクを表す n 要素のベクトル。ここで、n はノード数です。各ノードのリスクは、ノード確率によって重み付けされたノード誤差です。

NodeSize

tree に含まれるノードのサイズの n 要素のベクトル sizes。ここで、n はノード数です。ノードのサイズは、ノードの条件を満たすツリーを作成するために使用されるデータから、観測数として定義されます。

NumNodes

tree のノード数 n

Parent

tree に含まれる各ノードの親ノードの数を含む n 要素のベクトル p。ここで、n は、ノード数です。ルート ノードの親は 0 です。

PredictorNames

X に現れる順序で配列される、予測子変数の名前のセル配列

PruneAlpha

枝刈りレベルごとに 1 つの要素をもつ数値ベクトル。枝刈りレベルの範囲が 0 ~ M の場合、PruneAlpha には昇順に並べ替えられた M + 1 要素が含まれます。PruneAlpha(1) は枝刈りレベル 0 (枝刈りなし) を表し、PruneAlpha(2) は枝刈りレベル 1 を表すというように続いていきます。

PruneList

tree の各ノードの枝刈りレベルをもつ n 要素の数値ベクトル。ここで n はノード数を示します。枝刈りレベルの範囲は 0 (枝刈りなし) から M です。M は最下位の葉からルート ノードまでの距離です。

ResponseName

応答変数 Y の名前、文字列。

ResponseTransform

生の応答値 (平均二乗誤差) を変換するための関数ハンドル。関数ハンドルは、応答値の行列を受け入れ、同じサイズの行列を返さなければなりません。既定の文字列 'none' は、@(x)x または変換なしを表します。

ドット表記を使用して関数 ResponseTransform を追加または変更します。

ctree.ResponseTransform = @function

SurrogateCutCategories

tree のサロゲート分割に使用するカテゴリの n 要素のセル配列。ここで n は tree のノード数です。各ノード k に対して、SurrogateCutCategories{k} はセル配列です。SurrogateCutCategories{k} の長さは、このノードに見つかった代理予測子の数に等しくなります。SurrogateCutCategories{k} の各要素は、連続代理予測子の空の文字列か、カテゴリカル代理予測子のカテゴリをもつ 2 要素セル配列のいずれかになります。2 要素セル配列の最初の要素には、このサロゲート分割によって左の子に割り当てられたカテゴリがリストされ、この 2 要素セル配列の 2 番目の要素には、このサロゲート分割によって右の子に割り当てられたカテゴリがリストされます。各ノードのサロゲート分割変数の順序は、SurrogateCutPredictor に存在する変数の順序に一致します。このノードの最適分割変数は現れません。枝ではない (葉) ノードの場合、SurrogateCutCategories には空のセルが含まれます。

SurrogateCutFlip

tree のサロゲート分割に使用する数値切り取り点の n 要素のセル配列。ここで n は tree のノード数です。各ノード k に対して、SurrogateCutFlip{k} は数値ベクトルです。SurrogateCutFlip{k} の長さは、このノードに見つかった代理予測子の数に等しくなります。SurrogateCutFlip{k} の各要素はカテゴリカル代理予測子でゼロになるか、連続代理予測子で数値切り取り点の割り当てになります。数値切り取り点の割り当ては、-1 または +1 のいずれかになります。連続予測子変数 Z に基づいた数値切り取り C が含まれるすべてのサロゲート分割では、Z<C でこのサロゲート分割の切り取りの割り当てが +1 であるか、Z≥C でこのサロゲート分割の切り取りの割り当てが -1 の場合に、左の子が選択されます。同様に、Z≥C でこのサロゲート分割の切り取り点割り当てが +1 であるか、Z<C でこのサロゲート分割の切り取り点割り当てが -1 であれば右の子が選択されます。各ノードにおけるサロゲート分割変数の順序は、SurrogateCutPredictor によって返される変数の順序に一致します。このノードの最適分割変数は現れません。枝ではない (葉) ノードの場合、SurrogateCutFlip には空の配列が含まれます。

SurrogateCutPoint

tree のサロゲート分割に使用される数値の n 要素のセル配列。ここで n は tree のノード数です。各ノード k に対して、SurrogateCutPoint{k} は数値ベクトルです。SurrogateCutPoint{k} の長さは、このノードに見つかった代理予測子の数に等しくなります。SurrogateCutPoint{k} の各要素は、カテゴリカル代理予測子で NaN になるか、連続代理予測子で数値切り取り点になります。連続予測子変数 Z に基づいた数値切り取り C が含まれるすべてのサロゲート分割では、Z<C でこのサロゲート分割の SurrogateCutFlip が +1 であるか、Z≥C でこのサロゲート分割の SurrogateCutFlip が -1 の場合、左の子が選択されます。同様に、Z≥C でこのサロゲート分割の SurrogateCutFlip が +1 であるか、もしくは Z<C でこのサロゲート分割の SurrogateCutFlip が -1 であれば右の子が選択されます。各ノードのサロゲート分割変数の順序は、SurrogateCutVar によって返される変数の順序に一致します。このノードの最適分割変数は現れません。枝ではない (葉) ノードの場合、SurrogateCutPoint には空のセルが含まれます。

SurrogateCutType

tree の各ノードのサロゲート分割のタイプを示す n 要素のセル配列。ここで n は tree のノード数です。各ノードの k で、SurrogateCutType{k} はこのノードのサロゲート分割変数のタイプをもつセル配列です。変数は最適予測子に関連した予測測定を降順に並べ替えたもので、正の予測測定をもつ変数のみが含まれます。各ノードのサロゲート分割変数の順序は、SurrogateCutPredictor に存在する変数の順序に一致します。このノードの最適分割変数は現れません。枝ではない (葉) ノードの場合、SurrogateCutType には空のセルが含まれます。サロゲート分割のタイプは、切り取りが変数 Z に対して Z<V の形式で定義されている場合は 'continuous' に、切り取りが Z がカテゴリのセットの値を取るかどうかによって定義されている場合は切り取り点 V または 'categorical' のいずれかになります。

SurrogateCutPredictor

tree の各ノードでサロゲート分割に使用する変数の名前の n 要素のセル配列。ここで n は tree のノード数です。SurrogateCutPredictor の各要素は、このノードのサロゲート分割変数の名前をもつセル配列です。変数は最適予測子に関連した予測測定を降順に並べ替えたもので、正の予測測定をもつ変数のみが含まれます。このノードの最適分割変数は現れません。枝ではない (葉) ノードの場合、SurrogateCutPredictor には空のセルが含まれます。

SurrogatePredictorAssociation

tree のサロゲート分割に使用する関連付けの予測測定の n 要素のセル配列。ここで n は tree のノード数です。各ノード k に対して、SurrogatePredictorAssociation{k} は数値ベクトルです。SurrogatePredictorAssociation{k} の長さは、このノードに見つかった代理予測子の数に等しくなります。SurrogatePredictorAssociation{k} の各要素は、最適分割とこのサロゲート分割間の関連付けの予測測定を与えます。各ノードのサロゲート分割変数の順序は、SurrogateCutPredictor に存在する変数の順序になります。このノードの最適分割変数は現れません。枝ではない (葉) ノードの場合、SurrogatePredictorAssociation には空のセルが含まれます。

メソッド

loss回帰エラー
predict回帰木の応答予測
predictorImportance予測子の重要度の推定
surrogateAssociation決定木のサロゲート分割の関連付けの平均予測測定
viewツリーの表示

コピーのセマンティクス

値。コピー操作に対する値クラスの影響については、MATLAB® のドキュメンテーションの「オブジェクトのコピー」を参照してください。

すべて折りたたむ

回帰木の構築と圧縮

標本データを読み込みます。

load carsmall

標本データの回帰木を構築します。

tree = fitrtree([Weight, Cylinders],MPG,...
    'MinParentSize',20,...
    'PredictorNames',{'W','C'});

木のコンパクトなバージョンを作成します。

ctree = compact(tree);

コンパクトな木のサイズと完全な木のサイズを比較します。

t = whos('tree'); % t.bytes = size of tree in bytes
c = whos('ctree'); % c.bytes = size of ctree in bytes
[c.bytes t.bytes]
ans =
        4972        8173

コンパクトな木は完全な木より小さくなっています。

この情報は役に立ちましたか?