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 [12] 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

ブロック

RegressionEnsemble Predict

回帰用の決定木のアンサンブルを使用した応答の予測

関数

すべて展開する

アンサンブル回帰

アンサンブル回帰の作成

`fitrensemble`	回帰のアンサンブル学習器の当てはめ
`compact`	コンパクトなアンサンブル回帰の作成
`fitensemble`	分類および回帰のアンサンブル学習器の当てはめ

アンサンブル回帰の変更

`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
`resume`	学習アンサンブルの再開
`shrink`	アンサンブルでの枝刈り

アンサンブル回帰の交差検証

`cvshrink`	縮小 (枝刈り) アンサンブルの交差検証
`kfoldLoss`	交差検証された分割済みの回帰モデルの損失
`kfoldPredict`	交差検証済み回帰モデル内の観測値に対する応答の予測
`kfoldfun`	回帰での関数の交差検証

パフォーマンスの測定

`loss`	回帰誤差
`resubLoss`	再代入による回帰誤差

観測値の分類

`predict`	回帰モデルのアンサンブルの使用による応答の予測
`resubPredict`	再代入によるアンサンブル応答の予測

アンサンブル回帰のプロパティの収集

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

バギング回帰木

`fitrensemble`	回帰のアンサンブル学習器の当てはめ
`TreeBagger`	バギングされた決定木のアンサンブル
`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
`oobPredict`	out-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

回帰の改善

crossval 交差検証を使用したアンサンブル

回帰の解釈

`lime`	Local Interpretable Model-agnostic Explanations (LIME)
`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
`predictorImportance`	回帰アンサンブルの予測子の重要度の推定
`shapley`	シャープレイ値

クラス

すべて展開する

アンサンブル回帰

`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

バギング回帰木

`TreeBagger`	バギングされた決定木のアンサンブル
`CompactTreeBagger`	バギンされ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する。
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する。
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。
RegressionEnsemble Predict ブロックの使用による応答の予測
最適なハイパーパラメーターでアンサンブル回帰モデルの学習を行い、RegressionEnsemble Predict ブロックを応答予測に使用する。
Time Series Forecasting Using Ensemble of Boosted Regression Trees
Perform single-step and multiple-step time series forecasting with an ensemble of boosted regression trees. Use different validation schemes, such as holdout, expanding window, and sliding window, to estimate the performance of the forecasting models.