RegressionEnsemble

パッケージ: classreg.learning.regr
スーパークラス: CompactRegressionEnsemble

アンサンブル回帰

説明

RegressionEnsemble は、学習済みの弱学習器モデルのセット、およびそれらの学習器が学習を行ったデータを結合します。この関数では、弱学習器からの予測を集約することにより、新しいデータに対するアンサンブル応答を予測できます。

構築

アンサンブル回帰オブジェクトを作成するには、fitrensemble を使用します。

プロパティ

`BinEdges`	数値予測子のビンのエッジ。p 個の数値ベクトルが含まれている cell 配列を指定します。p は予測子の個数です。各ベクトルには、数値予測子のビンのエッジを含めます。カテゴリカル予測子はビン化されないので、カテゴリカル予測子の場合は、この cell 配列の要素を空にします。数値予測子がビン化されるのは、木学習器を使用してモデルに学習をさせるときに名前と値の引数 `'NumBins'` として正の整数スカラーを指定した場合だけです。`'NumBins'` の値が空 (既定) である場合、`BinEdges` プロパティは空になります。学習済みモデル `mdl` の `BinEdges` プロパティを使用することにより、ビン化された予測子データ `Xbinned` を再現できます。 X = mdl.X; % Predictor data Xbinned = zeros(size(X)); edges = mdl.BinEdges; % Find indices of binned predictors. idxNumeric = find(~cellfun(@isempty,edges)); if iscolumn(idxNumeric) idxNumeric = idxNumeric'; end for j = idxNumeric x = X(:,j); % Convert x to array if x is a table. if istable(x) x = table2array(x); end % Group x into bins by using the `discretize` function. xbinned = discretize(x,[-inf; edges{j}; inf]); Xbinned(:,j) = xbinned; end 数値予測子の場合、1 からビンの個数までの範囲にあるビンのインデックスが `Xbinned` に格納されます。カテゴリカル予測子の場合、`Xbinned` の値は 0 になります。`X` に `NaN` が含まれている場合、対応する `Xbinned` の値は `NaN` になります。
`CategoricalPredictors`	カテゴリカル予測子のインデックス。正の整数のベクトルとして指定します。`CategoricalPredictors` には、対応する予測子がカテゴリカルであることを示すインデックス値が格納されます。インデックス値の範囲は 1 ～ `p` です。`p` はモデルの学習に使用した予測子の数です。どの予測子もカテゴリカルではない場合、このプロパティは空 (`[]`) になります。
`CombineWeights`	アンサンブルが学習器の予測を結合する方法を表す文字ベクトル。
`ExpandedPredictorNames`	展開された予測子名。文字ベクトルの cell 配列として格納されます。モデルがカテゴリカル変数用のエンコーディングを使用している場合、`ExpandedPredictorNames` には展開された変数を表す名前が格納されます。それ以外の場合、`ExpandedPredictorNames` は `PredictorNames` と同じです。
`FitInfo`	近似情報の数値配列。`FitInfoDescription` プロパティは、この配列の内容を記述します。
`FitInfoDescription`	配列 `FitInfo` の意味を表す文字ベクトル。
`LearnerNames`	アンサンブルに含まれている弱学習器の名前をもつ文字ベクトルの cell 配列。各学習器の名前は一度だけ現れます。たとえば、ツリーが 100 本のアンサンブルの場合は、`LearnerNames` は `{'Tree'}` になります。
`HyperparameterOptimizationResults`	ハイパーパラメーターの交差検証最適化の説明。`BayesianOptimization` オブジェクト、またはハイパーパラメーターおよび関連する値が含まれているテーブルとして格納されます。作成時に名前と値のペア `OptimizeHyperparameters` が空ではない場合、これは空ではありません。値は、作成時の名前と値のペア `HyperparameterOptimizationOptions` の設定によって決まります。 `'bayesopt'` (既定) — `BayesianOptimization` クラスのオブジェクト `'gridsearch'` または `'randomsearch'` — 使用したハイパーパラメーター、観測された目的関数の値(交差検証損失)、および最低 (最良) から最高 (最悪) までの観測値の順位が格納されているテーブル
`Method`	`fitrensemble` がアンサンブル学習に使用したアルゴリズムの名前をもつ文字ベクトル。
`ModelParameters`	`ens` の学習に使用されるパラメーター。
`NumObservations`	学習データにある観測値の数を含む数値スカラー。
`NumTrained`	アンサンブル学習済みの学習器の数、正のスカラー。
`PredictorNames`	予測子変数の名前の cell 配列。並びは `X` に現れる順です。
`ReasonForTermination`	`fitrensemble` がアンサンブルへの弱学習器の追加を停止した理由を表す文字ベクトル。
`Regularization`	`regularize` メソッドの結果を含む構造体。`Regularization` とともに `shrink` を使用して、再代入誤差を削減し、アンサンブルを縮小します。
`ResponseName`	応答変数 `Y` の名前をもつ文字ベクトル。
`ResponseTransform`	スコア変換用の関数ハンドル、または組み込みの変換関数を表す文字ベクトル。`'none'` は変換なしを意味します。等価的には、`'none'` は `@(x)x` です。ドット表記を使用して関数 `ResponseTransform` を追加または変更します。 ens.ResponseTransform = @function
`Trained`	学習済みの学習器、コンパクトな回帰モデルの cell 配列。
`TrainedWeights`	アンサンブルが学習器に割り当てた重みの数値ベクトル。アンサンブルは、学習器からの重み付き予測を集約することによって、予測される応答を計算します。
`W`	スケールされた `weights`、長さ `n` のベクトル、`X` の行の数。`W` の要素の合計は `1` です。
`X`	アンサンブルに学習させた予測子の値の行列または table。`X` の各列が 1 つの変数を表し、各行が 1 つの観測値を表します。
`Y`	アンサンブルを学習させた `X` と同じ行数をもつ、数値列ベクトル。`Y` の各エントリは `X` の対応する行のデータに対する応答です。

オブジェクト関数

`compact`	コンパクトなアンサンブル回帰の作成
`crossval`	交差検証を使用したアンサンブル
`cvshrink`	縮小 (枝刈り) アンサンブルの交差検証
`gather`	GPU からの Statistics and Machine Learning Toolbox オブジェクトのプロパティの収集
`lime`	Local Interpretable Model-agnostic Explanations (LIME)
`loss`	回帰誤差
`partialDependence`	部分従属の計算
`plotPartialDependence`	部分依存プロット (PDP) および個別条件付き期待値 (ICE) プロットの作成
`predict`	回帰モデルのアンサンブルの使用による応答の予測
`predictorImportance`	回帰アンサンブルの予測子の重要度の推定
`regularize`	再代入誤差とペナルティー項を最小限にするための重み検索
`removeLearners`	コンパクトアンサンブル回帰のメンバーの削除
`resubLoss`	再代入による回帰誤差
`resubPredict`	再代入によるアンサンブル応答の予測
`resume`	学習アンサンブルの再開
`shapley`	シャープレイ値
`shrink`	アンサンブルでの枝刈り

コピーのセマンティクス

値。値のクラスがコピー操作に与える影響については、オブジェクトのコピーを参照してください。

例

すべて折りたたむ

ブースティング回帰アンサンブルの学習

ライブスクリプトを開く

carsmall データセットを読み込みます。重量 (Weight) と気筒数 (Cylinders) を使用して自動車の燃費 (MPG) を説明するモデルを考えます。

load carsmall
X = [Weight Cylinders];
Y = MPG;

LSBoost 法を使用して、100 本の回帰木があるブースティングアンサンブルに学習をさせます。Cylinders がカテゴリカル変数であることを指定します。

Mdl = fitrensemble(X,Y,'Method','LSBoost',...
    'PredictorNames',{'W','C'},'CategoricalPredictors',2)

Mdl = 
  RegressionEnsemble
           PredictorNames: {'W'  'C'}
             ResponseName: 'Y'
    CategoricalPredictors: 2
        ResponseTransform: 'none'
          NumObservations: 94
               NumTrained: 100
                   Method: 'LSBoost'
             LearnerNames: {'Tree'}
     ReasonForTermination: 'Terminated normally after completing the requested number of training cycles.'
                  FitInfo: [100x1 double]
       FitInfoDescription: {2x1 cell}
           Regularization: []


  Properties, Methods

Mdl は、学習データも含まれている RegressionEnsemble モデルオブジェクトです。

Mdl.Trained は、アンサンブルを構成する学習済みの回帰木 (CompactRegressionTree モデルオブジェクト) の 100 行 1 列の cell ベクトルが格納されているプロパティです。

1 番目の学習済み回帰木のグラフをプロットします。

view(Mdl.Trained{1},'Mode','graph')

{"String":"Figure Regression tree viewer contains an axes object and other objects of type uimenu, uicontrol. The axes object contains 36 objects of type line, text.","Tex":[],"LaTex":[]}

既定の設定では、fitrensemble は木のブースティングアンサンブルに対して浅い木を成長させます。

気筒数が 4、6、8 である 4,000 ポンドの自動車の燃費を予測します。

XNew = [4000*ones(3,1) [4; 6; 8]];
mpgNew = predict(Mdl,XNew)

mpgNew = 3×1

   19.5926
   18.6388
   15.4810

ヒント

回帰木のアンサンブルの場合、Trained プロパティには ens.NumTrained 個の CompactRegressionTree モデルオブジェクトの cell ベクトルが格納されます。cell ベクトルの木 t をテキストまたはグラフィックで表示するには、次のように入力します。

view(ens.Trained{t})

拡張機能

C/C++ コード生成
MATLAB® Coder™ を使用して C および C++ コードを生成します。

使用上の注意事項および制限事項:

関数 predict はコード生成をサポートします。
Simulink^® にアンサンブルの予測を統合するには、Statistics and Machine Learning Toolbox™ ライブラリにある RegressionEnsemble Predict ブロックを使用するか、MATLAB^® Function ブロックを関数 predict と共に使用します。
fitrensemble を使用してアンサンブルに学習をさせる場合、回帰木のコード生成の制限は、回帰木のアンサンブルにも適用されます。詳細については、CompactRegressionTree クラスのコード生成を参照してください。

詳細は、コード生成の紹介を参照してください。

GPU 配列
Parallel Computing Toolbox™ を使用してグラフィックス処理装置 (GPU) 上で実行することにより、コードを高速化します。

使用上の注意事項および制限事項:

次のオブジェクト関数は GPU 配列を完全にサポートしています。
次のオブジェクト関数は GPU 配列のサポートに制限があります。
オブジェクト関数は次のいずれかに該当する場合に GPU で実行されます。
- モデルが GPU 配列を使用して当てはめられている。
- オブジェクト関数に渡す予測子データが GPU 配列である。
- オブジェクト関数に渡す応答データが GPU 配列である。