L = загуба (ens, tbl, ResponseVarName)
L = загуба (ens, tbl, Y)
L = загуба (ens, X, Y)
L = загуба (___, име, стойност)
Описание
L = загуба (ens, tbl, ResponseVarName) връща средната квадратична грешка между прогнозите на ens към данните в tbl, в сравнение с истинските отговори tbl. ResponseVarName .
L = загуба (ens, tbl, Y) връща средната квадратична грешка между прогнозите на ens към данните в tbl, в сравнение с истинските отговори Y .
L = загуба (ens, X, Y) връща средната квадратна грешка между прогнозите на ens към данните в X в сравнение с истинските отговори Y .
L = загуба (___, Име, Стойност) изчислява грешката в прогнозирането с допълнителни опции, посочени от един или повече аргументи Име, Стойност на двойка, като се използва някой от предишните синтаксиси.
Аргументи за въвеждане
Регресионен ансамбъл, създаден с fitrensemble или компактния метод.
Примерни данни, посочени като таблица. Всеки ред от tbl съответства на едно наблюдение, а всяка колона съответства на една променлива на предиктор. tbl трябва да съдържа всички предиктори, използвани за обучение на модела. Не са разрешени многоколонни променливи и клетъчни масиви, различни от клетъчни масиви със символни вектори.
Ако сте обучавали ens, използвайки примерни данни, съдържащи се в таблица, тогава входните данни за този метод също трябва да бъдат в таблица.
Име на променлива за отговор, посочено като име на променлива в tbl. Променливата за отговор трябва да е числов вектор.
Трябва да посочите ResponseVarName като вектор на символи или скалар на низове. Например, ако променливата за отговор Y се съхранява като tbl.Y, тогава я посочете като 'Y'. В противен случай софтуерът третира всички колони от tbl, включително Y, като предсказатели при обучението на модела.
Матрица от предикторски стойности. Всяка колона от X представлява една променлива и всеки ред представлява едно наблюдение.
Стойностите на NaN в X се приемат за липсващи стойности. Наблюденията с всички липсващи стойности за X не се използват при изчисляването на загубата.
Ако сте обучавали ens, използвайки примерни данни, съдържащи се в матрица, тогава входните данни за този метод също трябва да бъдат в матрица.
Числов вектор на колона със същия брой редове като tbl или X. Всеки запис в Y е отговор на данните в съответния ред на tbl или X .
Стойностите на NaN в Y се приемат за липсващи стойности. Наблюденията с липсващи стойности за Y не се използват при изчисляването на загубата.
Аргументи за двойка име-стойност
Посочете незадължителни двойки, разделени със запетая, на аргументи Name, Value. Name е името на аргумента, а Value е съответната стойност. Името трябва да се появи в кавичките. Можете да посочите няколко аргумента за двойка имена и стойност в произволен ред като Name1, Value1. NameN, ValueN .
Индекси на слаби учащи в ансамбъла, вариращи от 1 до ens .NumTrained. oobEdge използва само тези обучаеми за изчисляване на загубата.
По подразбиране: 1: NumTrained
Функционална дръжка за функция за загуба или „mse“, което означава средна квадратна грешка. Ако предадете функция манипулатор забавно, загуба го нарича като
където Y, Yfit и W са числови вектори с еднаква дължина.
Y е наблюдаваният отговор.
Yfit е предсказаният отговор.
W е теглото за наблюдение.
Върнатата стойност на забавлението (Y, Yfit, W) трябва да бъде скаларна.
По подразбиране: 'mse'
Значение на изхода L:
'ансамбъл' - L е скаларна стойност, загуба за целия ансамбъл.
„индивид“ - L е вектор с един елемент на обучен обучаем.
„кумулативно“ - L е вектор, в който елемент J се получава чрез използване на учащи 1: J от входния списък на учащите.
По подразбиране: "ансамбъл"
Логическа матрица с размер N-от-NumTrained, където N е броят на наблюденията в ens .X, а NumTrained е броят на слабите обучаеми. Когато UseObsForLearner (I, J) е вярно, предвиждането използва учащ J при прогнозиране на наблюдение I .
По подразбиране: true (N, NumTrained)
Числов вектор на тежести за наблюдение със същия брой елементи като Y. Формулата за загуба с тежести е в Претеглена средна квадратна грешка.
По подразбиране: единици (размер (Y))
Изходни аргументи
Претеглена средна квадратна грешка на прогнозите. Формулата за загуба е в Претеглена средна квадратна грешка.
- Загуба на регресия за модели на линейна регресия - MATLAB
- Загуба от регресия за модел на регресия на ядрото на Gaussian - загуба на MATLAB
- Опции за обучение на невронна мрежа за дълбоко обучение - Опции за обучение на MATLAB
- Орбакайте показа как е израснал синът й - Newsy Today
- Тестове и лечения за бариатрична и метаболитна хирургия NJ; PA