회귀 트리 앙상블
회귀 트리 앙상블은 여러 회귀 트리의 가중 조합으로 구성된 예측 모델입니다. 일반적으로, 여러 회귀 트리를 조합하면 예측 성능이 높아집니다. LSBoost를 사용하여 회귀 트리를 부스팅하려면 fitrensemble
을 사용하십시오. 회귀 트리를 배깅하거나 랜덤 포레스트 [12]를 성장시키려면 fitrensemble
또는 TreeBagger
를 사용하십시오. 회귀 트리 배깅을 사용하여 분위수 회귀를 구현하려면 TreeBagger
를 사용하십시오.
다중클래스 분류를 위한 부스팅 분류 트리, 배깅 분류 트리, 랜덤 부분공간 앙상블 또는 오류 수정 출력 코드(ECOC) 모델과 같은 분류 앙상블에 대한 자세한 내용은 분류 앙상블을 참조하십시오.
앱
회귀 학습기 | 머신러닝 지도 학습을 사용하여 데이터를 예측하도록 회귀 모델 훈련시키기 |
블록
RegressionEnsemble Predict | Predict responses using ensemble of decision trees for regression (R2021a 이후) |
함수
클래스
도움말 항목
- Ensemble Algorithms
Learn about different algorithms for ensemble learning.
- Framework for Ensemble Learning
Obtain highly accurate predictions by using many weak learners.
- 회귀 앙상블 훈련시키기
단순 회귀 앙상블을 훈련시킵니다.
- Test Ensemble Quality
Learn methods to evaluate the predictive quality of an ensemble.
- Select Predictors for Random Forests
Select split-predictors for random forests using interaction test algorithm.
- Ensemble Regularization
Automatically choose fewer weak learners for an ensemble in a way that does not diminish predictive performance.
- Bootstrap Aggregation (Bagging) of Regression Trees Using TreeBagger
Create a
TreeBagger
ensemble for regression. - Use Parallel Processing for Regression TreeBagger Workflow
Speed up computation by running
TreeBagger
in parallel. - Detect Outliers Using Quantile Regression
Detect outliers in data using quantile random forest.
- Conditional Quantile Estimation Using Kernel Smoothing
Estimate conditional quantiles of a response given predictor data using quantile random forest and by estimating the conditional distribution function of the response using kernel smoothing.
- Tune Random Forest Using Quantile Error and Bayesian Optimization
Tune quantile random forest using Bayesian optimization.
- Predict Responses Using RegressionEnsemble Predict Block
Train a regression ensemble model with optimal hyperparameters, and then use the RegressionEnsemble Predict block for response prediction.
- Manually Perform Time Series Forecasting Using Ensembles of Boosted Regression Trees
Manually perform single-step and multiple-step time series forecasting with ensembles of boosted regression trees.