アンサンブル回帰木
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
クラス
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.