回归学习器

使用有监督机器学习训练回归模型来预测数据

全页展开

说明

回归学习器训练回归模型来预测数据。使用此 App，您可以探查数据、选择特征、指定验证方案、训练模型和优化超参数、评估结果以及调查特定预测变量如何影响模型预测。执行自动训练来搜索最佳回归模型类型，包括线性回归模型、回归树、高斯过程回归模型、支持向量机、高效训练的线性回归模型、核逼近模型、回归树集成和神经网络回归模型。要比较模型，请使用度量结果表并在 App 中查看结果图。

通过提供一组已知的输入数据观测值（预测变量）和已知的响应，执行有监督机器学习。使用观测值来训练模型，以生成新输入数据的预测响应。然后，您可以使用测试数据集来检查模型性能。要了解模型如何使用预测变量进行预测，请使用全局和局部可解释性工具，如部分依赖图、LIME 值和夏普利值。

要将经过训练的模型与新数据结合使用，您可以将模型导出到工作区 Simulink® 和 MATLAB® Production Server™。您可以生成 MATLAB 代码，在 App 外部重新创建训练模型，并探索模型训练工作流的编程式回归和进一步自定义。将模型训练代码导出到试验管理器以执行其他任务，例如更改训练数据、调整超参数搜索范围以及运行自定义训练试验。

需要的产品

  • MATLAB

  • Statistics and Machine Learning Toolbox™

Regression Learner app

打开 回归学习器 App

  • MATLAB 工具条：在 App 选项卡上的 Machine Learning 下，点击该 App 的图标。

  • MATLAB 命令提示符：输入 regressionLearner。

示例

编程用途

全部展开

regressionLearner 打开回归学习器，或将焦点放在该 App 上（如果该 App 已打开）。

regressionLearner(Tbl,ResponseVarName) 打开回归学习器，并使用表 Tbl 中包含的数据填充“从参量新建会话”对话框。指定为字符向量或字符串标量的 ResponseVarName 参量是 Tbl 中包含响应值的变量的名称。Tbl 中的其余变量是预测变量。

regressionLearner(Tbl,Y) 打开回归学习器，并使用表 Tbl 中的预测变量和数值向量 Y 中的响应值填充“从参量新建会话”对话框。

regressionLearner(X,Y) 打开回归学习器，并使用 n×p 的预测变量矩阵 X 和向量 Y 中的 n 个响应值填充“从参量新建会话”对话框。X 的每行对应一个观测值，每列对应一个变量。Y 的长度和 X 的行数必须相等。

regressionLearner(___,Name,Value) 支持上述语法中的任何输入参量组合，且可使用下列一个或多个名称-值参量指定交叉验证选项。例如，您可以指定 "KFold",10 使用 10 折交叉验证方案。

  • "CrossVal"，指定为 "on"（默认值）或 "off"，是交叉验证标志。如果您指定 "on"，则该 App 使用 5 折交叉验证。如果您指定 "off"，则该 App 将使用再代入验证。

    您可以使用 "Holdout" 或 "KFold" 名称-值参量来覆盖 "CrossVal" 交叉验证设置。一次只能指定其中一个参量。

  • "Holdout"，指定为 [0.05,0.5] 范围内的数值标量，该值是用于留出法验证的数据的比例。该 App 使用其余的数据进行训练（和测试，如果指定的话）。

  • "KFold"（指定为 [2,50] 范围内的正整数）用于交叉验证的折数。

  • "TestDataFraction"（指定为范围 [0,0.5] 中的数值标量）是为测试保留的数据比例。

regressionLearner(filename) 打开回归学习器，其中包含之前在 filename 中保存的会话。filename 参量（指定为字符向量或字符串标量）必须包括回归学习器会话文件的名称和文件路径（如果该文件不在当前文件夹中）。该文件必须具有扩展名 .mat。

限制

  • 回归学习器不支持通过 MATLAB Online™ 将模型部署到 MATLAB Production Server。

版本历史记录

在 R2017a 中推出

另请参阅

App

函数