全文链接：http://tecdat.cn/?p=22160
最近咱们被客户要求撰写对于分位数随机森林（QRF）回归树的钻研报告，包含一些图形和统计输入。
这个例子展现了如何应用分位数随机林来检测异样值
分位数随机林能够检测到与给定X的Y的条件散布无关的异样值。
离群值是一些观测值，它的地位离数据集中的大多数其余观测值足够远，能够认为是异样的。离群观测的起因包含固有的变异性或测量误差。异样值显著影响预计和推断，因而检测它们决定是删除还是持重剖析十分重要。
为了演示异样值检测，此示例：\
从具备异方差性的非线性模型生成数据，并模仿一些异样值。\
成长回归树的分位数随机森林。\
预计预测变量范畴内的条件四分位（Q1、Q2和Q3）和\_四分位\_距（IQR）。\
将观测值与边界进行比拟，边界为F1=Q1−1.5IQR和F2=Q3+1.5IQR。任何小于F1或大于F2的观测值都是异样值。
生成数据
从模型中生成500个观测值
在0 \~ 4之间均匀分布，t约为N(0,t+0.01)。将数据存储在表中。
rng('default'); % 为保障重复性randsample(linspace(0,4*pi,1e6),n,true)';epsilon = randn(n,1).*sqrt((t+0.01));将五个观测值沿随机垂直方向挪动90%的值。
numOut = 5;Tbl.y(idx) + randsample([-1 1],numOut,true)'.*(0.9*Tbl.y(idx));绘制数据的散点图并辨认异样值。
plot(Tbl.t,Tbl.y,'.');plot(Tbl.t(idx),Tbl.y(idx),'*');title('数据散点图');legend('数据','模仿异样值','Location','NorthWest');点击题目查阅往期内容
[](http://mp.weixin.qq.com/s?__biz=MzU4NTA1MDk4MA==\&mid=2247497785\&idx=1\&sn=59b0cb4c46b89db252f3dd634e773670\&chksm=fd92c632cae54f2424ed89f878cd2e7f83dd7eb7be83fa70edac64d2196ec21350139caac48f\&scene=21#wechat_redirect)R语言用LOESS(部分加权回归)节令趋势合成（STL）进行工夫序列异样检测
左右滑动查看更多
01
02
03
04
生成分位数随机森林
生成200棵回归树。
Tree(200,'y','regression');返回是一个TreeBagger汇合。
预测条件四分位数和四分位数区间
应用分位数回归，预计t范畴内50个等距值的条件四分位数。
linspace(0,4*pi,50)';quantile(pred,'Quantile');`quartile是一个500 × 3的条件四分位数矩阵。行对应于t中的观测值，列对应于概率。
在数据的散点图上，绘制条件均值和中值因变量。`
plot(pred,[quartiles(:,2) meanY]);legend('数据','模仿的离群值','中位数因变量','均匀因变量',...尽管条件均值和中位数曲线很靠近，但模仿的离群值会影响均值曲线。\
计算条件IQR、F1和F2。
iqr = quartiles(:,3) - quartiles(:,1);f1 = quartiles(:,1) - k*iqr;k=1.5意味着所有小于f1或大于f2的观测值都被认为是离群值，但这一阈值并不能与极其离群值相辨别。k为3时，可确定极其离群值。
将观测后果与边界进行比拟
绘制察看图和边界。
plot(Tbl.t,Tbl.y,'.');legend('数据','模仿的离群值','F_1','F_2');title('应用分位数回归的离群值检测')所有模仿的异样值都在[F1，F2]之外，一些观测值也在这个区间之外。
本文摘选 《 matlab应用分位数随机森林（QRF）回归树检测异样值 》 ，点击“浏览原文”获取全文残缺材料。
点击题目查阅往期内容
逻辑回归、随机森林、SVM反对向量机预测心脏病危险数据和模型诊断可视化|数据分享\
贝叶斯分位数回归、lasso和自适应lasso贝叶斯分位数回归剖析免疫球蛋白、前列腺癌数据\
用加性多元线性回归、随机森林、弹性网络模型预测鲍鱼年龄和可视化\
PYTHON用户散失数据挖掘：建设逻辑回归、XGBOOST、随机森林、决策树、反对向量机、奢侈贝叶斯和KMEANS聚类用户画像\
PYTHON集成机器学习：用ADABOOST、决策树、逻辑回归集成模型分类和回归和网格搜寻超参数优化\
R语言集成模型：晋升树boosting、随机森林、束缚最小二乘法加权均匀模型交融剖析工夫序列数据\
Python对商店数据进行lstm和xgboost销售量工夫序列建模预测剖析\
R语言用主成分PCA、 逻辑回归、决策树、随机森林剖析心脏病数据并高维可视化\
R语言基于树的办法：决策树，随机森林，Bagging，加强树\
R语言用逻辑回归、决策树和随机森林对信贷数据集进行分类预测\
spss modeler用决策树神经网络预测ST的股票\
R语言中应用线性模型、回归决策树主动组合特色因子程度\
R语言中自编基尼系数的CART回归决策树的实现\
R语言用rle，svm和rpart决策树进行工夫序列预测\
python在Scikit-learn中用决策树和随机森林预测NBA获胜者\
python中应用scikit-learn和pandas决策树进行iris鸢尾花数据分类建模和穿插验证\
R语言里的非线性模型：多项式回归、部分样条、平滑样条、 狭义相加模型GAM剖析\
R语言用规范最小二乘OLS，狭义相加模型GAM ，样条函数进行逻辑回归LOGISTIC分类\
R语言ISLR工资数据进行多项式回归和样条回归剖析\
R语言中的多项式回归、部分回归、核平滑和平滑样条回归模型\
R语言用泊松Poisson回归、GAM样条曲线模型预测骑自行车者的数量\
R语言分位数回归、GAM样条曲线、指数平滑和SARIMA对电力负荷工夫序列预测R语言样条曲线、决策树、Adaboost、梯度晋升(GBM)算法进行回归、分类和动静可视化\
如何用R语言在机器学习中建设集成模型？\
R语言ARMA-EGARCH模型、集成预测算法对SPX理论稳定率进行预测在python 深度学习Keras中计算神经网络集成模型R语言ARIMA集成模型预测工夫序列剖析R语言基于Bagging分类的逻辑回归(Logistic Regression)、决策树、森林剖析心脏病患者\
R语言基于树的办法：决策树，随机森林，Bagging，加强树\
R语言基于Bootstrap的线性回归预测置信区间预计办法\
R语言应用bootstrap和增量法计算狭义线性模型（GLM）预测置信区间\
R语言样条曲线、决策树、Adaboost、梯度晋升(GBM)算法进行回归、分类和动静可视化\
Python对商店数据进行lstm和xgboost销售量工夫序列建模预测剖析\
R语言随机森林RandomForest、逻辑回归Logisitc预测心脏病数据和可视化剖析\
R语言用主成分PCA、 逻辑回归、决策树、随机森林剖析心脏病数据并高维可视化\
Matlab建设SVM，KNN和奢侈贝叶斯模型分类绘制ROC曲线\
matlab应用分位数随机森林（QRF）回归树检测异样值