La traduction de cette page n'est pas à jour. Cliquez ici pour voir la dernière version en anglais.

Ensembles d’arbres de régression

R2026a

Forêts aléatoires et boosting et bagging d’arbres de régression

Un ensemble d’arbres de régression est un modèle prédictif composé d’une combinaison pondérée de plusieurs arbres de régression. En général, l’association de plusieurs arbres de régression augmente les performances prédictives. Pour appliquer le boosting à des arbres de régression avec LSBoost, utilisez fitrensemble. Pour appliquer le bagging à des arbres de régression ou construire une forêt aléatoire, utilisez fitrensemble ou TreeBagger. Pour implémenter une régression quantile avec le bagging d’arbres de décision, utilisez TreeBagger.

Pour les ensembles de classification tels que le boosting ou le bagging d’arbres de classification, les ensembles de sous-espaces aléatoires ou les modèles de codes de sortie correcteurs d’erreur (ECOC) pour la classification multiclasse, consultez Classification Ensembles (Ensembles de classification).

Applications

Regression Learner

Train regression models to predict data using supervised machine learning

Blocs

RegressionEnsemble Predict

Predict responses using ensemble of decision trees for regression

Fonctions

développer tout

Boosting d’un ensemble d’arbres

Créer un ensemble de régression

`fitrensemble`	Fit ensemble of learners for regression
`compact`	Reduce size of machine learning model
`fitensemble`	Fit ensemble of learners for classification and regression

Modifier un ensemble de régression

`regularize`	Find optimal weights for learners in regression ensemble
`removeLearners`	Remove members of compact regression ensemble
`resume`	Resume training of regression ensemble model
`shrink`	Prune regression ensemble

Effectuer une validation croisée d’un ensemble de régression

`cvshrink`	Cross-validate pruning and regularization of regression ensemble
`kfoldLoss`	Loss for cross-validated partitioned regression model
`kfoldPredict`	Predict responses for observations in cross-validated regression model
`kfoldfun`	Cross-validate function for regression

Mesurer les performances

`loss`	Regression error for regression ensemble model
`resubLoss`	Resubstitution loss for regression ensemble model

Classifier les observations

`predict`	Predict responses using regression ensemble model
`resubPredict`	Predict response of regression ensemble by resubstitution

Collecter les propriétés d’un ensemble de régression

gather Gather properties of Statistics and Machine Learning Toolbox object from GPU

Bagging d’un ensemble d’arbres

`fitrensemble`	Fit ensemble of learners for regression
`TreeBagger`	Ensemble of bagged decision trees
`predict`	Predict responses using ensemble of bagged decision trees
`oobPredict`	Ensemble predictions for out-of-bag observations
`quantilePredict`	Predict response quantile using bag of regression trees
`oobQuantilePredict`	Quantile predictions for out-of-bag observations from bag of regression trees

Améliorer la régression

crossval Cross-validate machine learning model

Interpréter la régression

`lime`	Local interpretable model-agnostic explanations (LIME)
`partialDependence`	Compute partial dependence
`permutationImportance`	Predictor importance by permutation (depuis R2024a)
`plotPartialDependence`	Create partial dependence plot (PDP) and individual conditional expectation (ICE) plots
`predictorImportance`	Estimates of predictor importance for regression ensemble of decision trees
`shapley`	Shapley values

Régression multiréponse avec chaînes de régression

`fitrchains`	Multiresponse regression with regression chains (depuis R2024b)
`compact`	Reduce size of multiresponse regression model (depuis R2024b)
`loss`	Loss for multiresponse regression model (depuis R2024b)
`predict`	Predict responses using multiresponse regression model (depuis R2024b)

Modèle XGBoost pré-entraîné à partir de plateformes externes

Importer un modèle XGBoost

importModelFromXGBoost Import pretrained XGBoost model into MATLAB (depuis R2026a)

Mesurer les performances

loss Regression error for XGBoost model (depuis R2026a)

Interpréter un modèle XGBoost

`lime`	Local interpretable model-agnostic explanations (LIME)
`partialDependence`	Compute partial dependence
`plotPartialDependence`	Create partial dependence plot (PDP) and individual conditional expectation (ICE) plots
`predictorImportance`	Estimates of predictor importance for XGBoost model (depuis R2026a)
`shapley`	Shapley values

Prédire les réponses

predict Predict responses using regression XGBoost model (depuis R2026a)

Collecter les propriétés d’un modèle XGBoost

gather Gather properties of Statistics and Machine Learning Toolbox object from GPU

Objets

développer tout

Boosting d’un ensemble d’arbres

`RegressionEnsemble`	Ensemble regression
`CompactRegressionEnsemble`	Compact regression ensemble
`RegressionPartitionedEnsemble`	Cross-validated regression ensemble

Bagging d’un ensemble d’arbres

`TreeBagger`	Ensemble of bagged decision trees
`CompactTreeBagger`	Compact ensemble of bagged decision trees
`RegressionBaggedEnsemble`	Regression ensemble grown by resampling

Régression multiréponse avec chaînes de régression

`RegressionChainEnsemble`	Multiresponse regression model (depuis R2024b)
`CompactRegressionChainEnsemble`	Compact multiresponse regression model (depuis R2024b)

Modèle de régression XGBoost

CompactRegressionXGBoost Compact regression XGBoost model (depuis R2026a)

Rubriques

Ensemble Algorithms
Learn about different algorithms for ensemble learning.
Framework for Ensemble Learning
Obtain highly accurate predictions by using many weak learners.
Train Regression Ensemble
Train a simple regression ensemble.
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.
Working with Quantile Regression Models
Estimate prediction intervals and create models that are robust to outliers by using quantile regression models.
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.