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。

アンサンブル回帰木

ランダム フォレスト、ブースティングおよびバギングされた回帰木

アンサンブル回帰木は、重みを付けた複数の回帰木の組み合わせから構成される予測モデルです。一般に、複数の回帰木を組み合わせると予測の性能が向上します。LSBoost を使用して回帰木をブースティングするには、fitrensemble を使用します。回帰木のバギングまたはランダム フォレスト [11] の成長を行うには、fitrensemble または TreeBagger を使用します。回帰の bag of trees を使用して分位点回帰を実装するには、TreeBagger を使用します。

ブースティングまたはバギングされた分類木などのアンサンブル分類、ランダム部分空間アンサンブル、またはマルチクラスを分類するための誤り訂正出力符号 (ECOC) モデルについては、アンサンブル分類を参照してください。

アプリ

回帰学習器教師あり機械学習を使用して、データを予測するように回帰モデルに学習をさせる

関数

すべて展開する

fitrensembleアンサンブル学習器を回帰用に準備
predict回帰モデルのアンサンブルの使用による応答の予測
oobPredictアンサンブルの out-of-bag 応答を予測する
TreeBagger決定木の bag of trees の作成
fitrensembleアンサンブル学習器を回帰用に準備
predictバギングされた決定木のアンサンブルの使用による応答の予測
oobPredictout-of-bag 観測に対するアンサンブル予測
quantilePredict回帰の bag of trees の使用による応答の分位数の予測
oobQuantilePredict回帰の bag of trees による out-of-bag 観測値の分位数予測
crossval交差検証を使用したアンサンブル
plotPartialDependence部分従属プロット (PDP) および個別条件付き期待値 (ICE) プロットの作成
predictorImportance予測子の重要度の推定

クラス

すべて展開する

RegressionEnsembleアンサンブル回帰
CompactRegressionEnsembleコンパクトなアンサンブル回帰のクラス
RegressionPartitionedEnsemble交差検証したアンサンブル回帰
TreeBagger決定木の bag of trees
CompactTreeBaggerバギングにより成長させた決定木のコンパクトなアンサンブル
RegressionBaggedEnsembleリサンプリングにより成長したアンサンブル回帰

トピック

アンサンブル アルゴリズム

さまざまなアンサンブル学習のアルゴリズムについて学びます。

アンサンブル学習のフレームワーク

多数の弱学習器を使用することにより、非常に正確な予測を行います。

アンサンブル回帰に学習をさせる

単純なアンサンブル回帰に学習をさせます。

アンサンブル品質テスト

アンサンブルの予測品質を評価する方法について学びます。

ランダム フォレストの予測子の選択

交互作用検定アルゴリズムを使用してランダム フォレストの分割予測子を選択します。

アンサンブルの正則化

予測性能を低下させずに、アンサンブルについて選択する弱学習器の数を自動的に少なくします。

TreeBagger の使用による回帰木の bootstrap aggregation (バギング)

回帰用の TreeBagger アンサンブルを作成します。

回帰 TreeBagger ワークフローに対する並列処理の使用

TreeBagger を並列に実行することにより計算を高速化します。

分位点回帰の使用による外れ値の検出

分位点ランダム フォレストを使用して外れ値を検出します。

カーネル平滑化の使用による条件付き分位の推定

分位点ランダム フォレストを使用し、カーネル平滑化を使用して応答の条件付き分布関数を推定することにより、与えられた予測子データに対する応答の条件付き分位を推定します。

分位数誤差とベイズ最適化の使用によるランダム フォレストの調整

ベイズ最適化を使用して分位点ランダム フォレストを調整します。