利用适配树模型预测函数误差

Question

我试图用适配树模型进行回归。它在没有验证的情况下工作得很好，但是通过验证，预测函数返回一个错误。

%works fine
tree = fitrtree(trainingData,target,'MinLeafSize',2, 'Leaveout','off');
y_hat = predict(tree, xNew);

%Returns error
tree = fitrtree(trainingData,target,'MinLeafSize',2, 'Leaveout','on');
y_hat = predict(tree, xNew);

错误: classreg.learning.partition.RegressionPartitionedModel类的系统不能与“预测”命令一起使用。首先将系统转换为已识别的模型，例如使用"idss“命令。

更新：我发现当我们使用任何类型的交叉验证时，模型是在经过训练的树属性中，而不是在树本身中。这个经过训练的属性(tree.Trained{1})是什么?我们从它得到什么信息？

Answer 1

如果在调用fitrtree()时选择交叉验证方法，则函数的输出是RegressionPartitionedModel而不是RegressionTree。

如前所述，在您的示例中，可以访问存储在RegressionTree中的tree.Trained类型的对象。在此属性下找到的树的数量和意义取决于交叉验证模型。在您的示例中，使用休假一次交叉验证 (LOOCV)，经过训练的属性包含N个RegressionTree对象，其中N是训练集中的数据点数。这些回归树中的每一棵都是通过对除一个数据点以外的所有数据点进行培训获得的。漏出的数据点用于测试。

例如，如果您想访问从交叉验证中获得的第一棵和最后一棵树，并将它们用于单独的预测，您可以这样做：

%Returns RegressionPartitionedModel
cv_trees = fitrtree(trainingData,target,'MinLeafSize',2, 'Leaveout','on');
%This is the number of regression trees stored in cv_trees for LOOCV
[N, ~] = size(trainingData);
%Use one of the models from the cross-validation as a predictor
y_hat = predict(tree.Trained{1}, xNew);
y_hat_2 = predict(tree.Trained{N}, xNew);