Esta página aún no se ha traducido para esta versión. Puede ver la versión más reciente de esta página en inglés.

oobError

Clase: TreeBagger

Error fuera de la bolsa

Sintaxis

err = oobError(B)
err = oobError(B,'param1',val1,'param2',val2,...)

Descripción

err = oobError(B) calcula la probabilidad de clasificación errónea (para los árboles de clasificación) o el error cuadrado medio (para los árboles de regresión) para las observaciones fuera de bolsa en los datos de entrenamiento, utilizando el Bagger entrenado. es un vector de longitud, donde está el número de árboles en el conjunto.BerrNTreesNTrees

err = oobError(B,'param1',val1,'param2',val2,...) especifica pares de nombre/valor de parámetro opcionales:

'Mode'Vector de caracteres o escalar de cadena que indica cómo calcula los errores.oobError Si se establece en (predeterminado), el método calcula los errores acumulativos y es un vector de longitud, donde el primer elemento da error de, segundo elemento da error de etc., hasta.'cumulative'errNTreestrees(1)trees(1:2)trees(1:NTrees) Si se establece en, es un vector de longitud, donde cada elemento es un error de cada árbol en el conjunto.'individual'errNTrees Si se establece en, es un escalar que muestra el error acumulativo para todo el conjunto.'ensemble'err
'Trees'Vector de índices que indica qué árboles incluir en este cálculo. De forma predeterminada, este argumento se establece en y el método utiliza todos los árboles.'all' Si es un vector numérico, el método devuelve un vector de longitud para y modos, donde es el número de elementos en el vector de entrada y un escalar para el modo.'Trees'NTrees'cumulative''individual'NTrees'ensemble' Por ejemplo, en el modo, el primer elemento da error de, el segundo elemento da error de etc.'cumulative'trees(1)trees(1:2)
'TreeWeights'Vector de pesos de árboles. Este vector debe tener la misma longitud que el vector. utiliza estos pesos para combinar la salida de los árboles especificados tomando un promedio ponderado en lugar del voto por mayoría no ponderado simple.'Trees'oobError No puede utilizar este argumento en el modo.'individual'

Algoritmos

estima el error de conjunto ponderado para las observaciones fuera de bolsa.oobError Es decir, se aplicaoobError error a los datos de entrenamiento almacenados en el modelo de entrada y selecciona las observaciones fuera de bolsa para cada árbol para componer el error de conjunto.TreeBaggerB

  • y son los predictores de datos de entrenamiento y las respuestas, respectivamente.B.XB.Y

  • Especifica qué observaciones están fuera de bolsa para cada árbol del conjunto.B.OOBIndices

  • especifica los pesos de observación.B.W

  • Opcionalmente:

    • Mediante el argumento de par nombre-valor, puede especificar que se devuelva el error de conjunto ponderado individual para cada árbol o todo el error de conjunto ponderado.'Mode' De forma predeterminada, devuelve el error de conjunto ponderado acumulado.oobError

    • Con el argumento de par nombre-valor, puede elegir qué árboles utilizar en los cálculos de error del conjunto.'Trees'

    • Con el argumento de par nombre-valor, puede atribuir cada árbol con un peso.'TreeWeights'

aplica los algoritmos descritos a continuación.oobError Para obtener más información, consulte error Y predict.

Para los problemas de regresión, vuelve el MSE ponderado.oobError

  1. predice las respuestas de todas las observaciones fuera de bolsa.oobError

  2. La estimación MSE depende del valor de.'Mode'

    • Si se especifica, se establece en las observaciones de la bolsa dentro de un árbol seleccionado el promedio de muestreo ponderado de las respuestas de datos de entrenamiento observadas.'Mode','Individual'oobError Entonces, computa el MSE ponderado para cada árbol seleccionado.oobError

    • Si usted especifica, después devuelve un vector de los MSEs acumulados, ponderados, donde MSE'Mode','Cumulative'ooErrort es el MSE acumulado, ponderado para el árbol seleccionado.t Para computar MSEt, para cada observación que está fuera de la bolsa para al menos un árbol a través del árbol, calcula la media acumulada, ponderada de las respuestas pronosticadas a través del árbol. establece las observaciones que están en la bolsa para todos los árboles seleccionados a través del árbol a la media de muestra ponderada de las respuestas de datos de entrenamiento observadas.toobErrortoobErrort Entonces, computa MSEoobErrort.

    • Si especifica, a continuación, para cada observación que está fuera de la bolsa para al menos un árbol, calcula la media ponderada sobre todos los árboles seleccionados. establece las observaciones que están en la bolsa para todos los árboles seleccionados a la media de muestra ponderada de las respuestas de datos de entrenamiento observadas.'Mode','Ensemble'oobErroroobError Entonces, computa el MSE ponderado, que es lo mismo que el final, acumulativo, ponderado MSE.oobError

En problemas de clasificación, devuelve la tasa de clasificación errónea ponderada.oobError

  1. predice las clases para todas las observaciones fuera de bolsa.oobError

  2. La estimación de tasa de clasificación errónea ponderada depende del valor de.'Mode'

    • Si se especifica, se establece cualquier observación en la bolsa dentro de un árbol seleccionado en la clase pronosticada, ponderada y más popular sobre todas las respuestas de entrenamiento.'Mode','Individual'oobError Si hay varias clases más populares, considera que la que aparece en primer lugar en la propiedad del modelo es la más popular.errorClassNamesTreeBagger A continuación, calcula la tasa de clasificación errónea ponderada para cada árbol seleccionado.oobError

    • Si especifica, devuelve un vector de tasas de clasificación errónea ponderada, donde'Mode','Cumulative'ooError et* es la tasa de clasificación errónea acumulada, ponderada para el árbol seleccionado.t Para calcular et*, para cada observación que está fuera de la bolsa para al menos un árbol a través del árbol, encuentra la clase prevista, acumulativa, ponderada más popular a través de árbol. establece las observaciones que están en la bolsa para todos los árboles seleccionados a través del árbol a la clase ponderada y más popular sobre todas las respuestas de entrenamiento.toobErrortoobErrort Si hay varias clases más populares, considera que la que aparece en primer lugar en la propiedad del modelo es la más popular.errorClassNamesTreeBagger A continuación, calculaoobError et*.

    • Si especifica, a continuación, para cada observación que está fuera de la bolsa para al menos un árbol, calcula la clase ponderada, más popular sobre todos los árboles seleccionados. establece las observaciones que están en la bolsa para todos los árboles seleccionados a través del árbol a la clase pronosticada, ponderada, más popular sobre todas las respuestas de entrenamiento.'Mode','Ensemble'oobErroroobErrort Si hay varias clases más populares, considera que la que aparece en primer lugar en la propiedad del modelo es la más popular.errorClassNamesTreeBagger A continuación, calcula la tasa de clasificación errónea ponderada, que es la misma que la tasa de clasificación errónea final, acumulativa y ponderada.oobError