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

アンサンブル回帰

`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

バギングされた回帰木

`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
`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
`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

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

バギングされた回帰木

`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