plotPartialDependence
创建部分依赖图（PDP）和单个条件期望图（ICE）
语法
描述
plotPartialDependence (计算和绘制中列出的预测变量之间的部分依赖关系RegressionMdl，var）var以及用回归模型预测的响应RegressionMdl，其中包含预测数据。
如果你指定一个变量
var，函数创建一个与变量部分相关的线图。如果在中指定两个变量
var，函数创建一个与这两个变量部分相关的曲面图。
plotPartialDependence (计算和绘制中列出的预测变量之间的部分依赖关系ClassificationMdl，var，标签）var以及标签通过使用分类模型ClassificationMdl，其中包含预测数据。
如果你指定一个变量
var还有一节课标签，函数创建指定类对变量的部分依赖关系的线图。如果你指定一个变量
var和多个班级标签，函数在一个图形上为每个类创建一个线图。如果在中指定两个变量
var还有一节课标签，函数创建一个与这两个变量部分相关的曲面图。
例子
创建部分相关图
使用carsmall数据集，并创建一个PDP，显示特征和经过训练的回归树中的预测响应之间的关系。
加载carsmall数据集。
负载carsmall
指定重量，气缸和马力作为预测变量(X),英里/加仑为响应变量(Y）.
X=[重量、汽缸、马力]；Y=每加仑；
使用X和Y．
Mdl=Firtree（X，Y）；
查看经过训练的回归树的图形显示。
视图(Mdl,“模式”，“图”）
创建第一个预测变量的PDP，重量．
绘图部分依赖（Mdl，1）
这条标绘线代表了两者之间的平均部分关系重量(标记为x1),英里/加仑(标记为Y)在经过训练的回归树中Mdl．的x中的小刻度表示唯一的值x1．
回归树查看器显示第一个决定是是否x1小于3085.5。PDP在附近也显示出了很大的变化x1= 3085.5。树查看器根据预测变量可视化每个节点上的每个决策。可以根据的值找到多个节点x1，但确定的依赖Y在x1是不容易的。然而,plotPartialDependence图平均预测的反应x1，因此您可以清楚地看到Y在x1．
标签x1和Y是预测器名称和响应名称的默认值。您可以通过指定名称-值对参数来修改这些名称“PredictorNames”和“ResponseName”当你训练Mdl使用fitrtree．属性也可以修改轴标签包含和ylabel功能。
创建多个类的部分依赖关系图
用。训练朴素贝叶斯分类模型fisheriris数据集，并创建一个PDP，显示多个类别的预测变量和预测得分(后验概率)之间的关系。
加载fisheriris包含物种的数据集(物种)和测量(量)的萼片长度，萼片宽度，花瓣长度和花瓣宽度为150个鸢尾标本。该数据集包含了来自三个物种的50个样本:梭子蟹、花斑蟹和弗吉尼亚蟹。
负载fisheriris
用。训练朴素贝叶斯分类模型物种作为回应和量作为预测因素。
Mdl = fitcnb(量、种类);
创建一个PDP的分数预测Mdl所有的三个类物种对第三个预测变量x3．属性指定类标签一会性质Mdl．
plotPartialDependence (Mdl 3 Mdl.ClassNames);
根据这个模型，发生的概率virginica增加而x3．的概率刚毛大约0.33，从哪里来x3是0到2.5左右，然后概率几乎降到0。
创建个人条件期望图
使用生成的样本数据训练高斯过程回归模型，其中响应变量包括预测变量之间的交互作用。然后，创建ICE图，显示每个观测的特征和预测响应之间的关系。
生成样本预测数据x1和x2．
rng (“默认”）%的再现性n = 200;x1 =兰德(n - 1) * 2 - 1;x2 =兰德(n - 1) * 2 - 1;
生成响应值，包括之间的交互x1和x2．
Y = x1-2 * x1。* (x2 > 0) + 0.1 *兰德(n, 1);
创建一个高斯过程回归模型使用(x1, x2))和Y．
Mdl = fitrgp([x1 x2]，Y);
为第一个预测器创建一个包含PDP（红线）的图形x1的散点图(圆标记)x1和预测响应，并通过指定一组ICE图(灰色线)“条件”作为“中心”．
局部依赖图（Mdl，1，“条件”，“中心”）
当“条件”是“中心”，plotPartialDependence偏移图，使所有图从零开始，这有助于检查所选特征的累积效应。
PDP发现平均关系，因此它不会揭示隐藏的依赖关系，特别是当响应包括特性之间的交互时。然而，ICE图清楚地显示了两种不同的响应依赖关系x1．
将新的预测数据用于部分相关图
训练分类模型的集合并创建两个pdp，一个使用训练数据集，另一个使用新数据集。
加载census1994数据集，其中包含美国的年薪数据，分类为< = 50 k或> 50 k，以及一些人口统计变量。
负载census1994
从表中提取要分析的变量子集adultdata和成人．
X = adultdata (: {“年龄”，“workClass”，“教育数量”，“婚姻状况”，“种族”，．．.“性”，“capital_gain”，“capital_loss”，“hours_per_week”，“工资”}）;Xnew =成人(:,{“年龄”，“workClass”，“教育数量”，“婚姻状况”，“种族”，．．.“性”，“capital_gain”，“capital_loss”，“hours_per_week”，“工资”}）;
使用工资作为响应，剩余变量作为使用函数的预测值fitcensemble．对于二进制分类,fitcensemble聚合100个分类树LogitBoost方法。
Mdl = fitcensemble (X,“工资”）;
检查中的类名Mdl．
Mdl。ClassNames
ans =2 x1分类< = 50 k > 50 k
创建一个部分依赖图的分数预测Mdl第二节课工资（> 50 k)与预测者相反年龄使用训练数据。
plotPartialDependence (Mdl“年龄”Mdl.ClassNames (2))
创建一个班级成绩的PDP> 50 k对年龄使用表中新的预测器数据Xnew．
plotPartialDependence (Mdl“年龄”，Mdl.ClassNames（2），Xnew）
这两个曲线图显示了高风险预测分数的部分相关性的相似形状工资（> 50 k)年龄．这两个图都表明，对高薪的预测得分在30岁之前增长很快，然后在60岁之前几乎持平，然后快速下降。然而，基于新数据的图表显示，年龄在65岁以上的人得分略高。
比较预测变量的重要性
训练一个回归集合使用carsmall数据集，并使用新数据集为每个预测变量创建一个PDP图和ICE图，carbig．然后比较数据，分析预测变量的重要性。同时，将结果与返回的预测器重要性的估计进行比较predictorImportance函数。
加载carsmall数据集。
负载carsmall
指定重量，气缸，马力和Model_Year作为预测变量(X),英里/加仑为响应变量(Y）.
X=[重量、气缸、马力、车型年款]；Y=每加仑；
使用X和Y．
Mdl = fitrensemble (X, Y,．．.“PredictorNames”, {“重量”，“气缸”，“马力”，“年”}，．．.“ResponseName”，“英里”）;
创建预测变量的重要性使用plotPartialDependence和predictorImportance功能。的plotPartialDependence函数将选定的预测器和预测的响应之间的关系可视化。predictorImportance总结了单值预测器的重要性。
使用以下方法为每个预测器创建一个图形，包括PDP图（红线）和ICE图（灰线）plotPartialDependence并具体说明“有条件的”,“绝对”．每个图还包括一个散点图(圆圈标记)的选定预测器和预测响应。同时,加载carbig并将其作为新的预测数据，Xnew. 当你提供Xnew,plotPartialDependence函数使用Xnew而不是预测数据Mdl．
负载carbigXnew=[重量、气缸、马力、车型年款]；图t=平铺布局（2,2，“TileSpacing”，“紧凑”）;标题(t)“个人条件期望图”）对于i = 1: 4 nexttile plotpartialdependency (Mdl,i,Xnew，“条件”，“绝对的”)标题(''）结束
通过使用计算预测器重要性的估计predictorImportance。此函数将由于每个预测器上的拆分而导致的均方误差（MSE）的变化相加，然后将总和除以分支节点的数量。
小鬼= predictorImportance (Mdl);图酒吧(imp)标题(的预测估计的重要性) ylabel (“估计”)包含(“预测”) ax = gca;斧子。XTickLabel = Mdl.PredictorNames;
的变量重量影响最大的是英里/加仑根据预测的重要性。PDP的重量也表明英里/加仑有高度的部分依赖性重量．的变量气缸对环境的影响最小英里/加仑根据预测的重要性。PDP的气缸也表明英里/加仑是不是变化很大取决于气缸．
比较广义可加模型的部分相关性
训练一个具有线性和交互项的广义可加性模型(GAM)用于预测。然后，创建一个既有线性项又有交互项的PDP和一个只有线性项的PDP。指定在创建pdp时是否包含交互术语。
加载电离层数据集。该数据集有34个预测器和351个雷达返回的二进制响应，或坏(“b”)或好(‘g’）.
负载电离层
使用预测器训练GAMX和类标签Y．推荐的做法是指定类名。指定包含10个最重要的交互项。
Mdl = fitcgam (X, Y,“类名”, {“b”，‘g’}，“互动”10);
Mdl是一个ClassificationGAM模型对象。
列出中的交互项Mdl．
Mdl。的相互作用
ans =10×21 5 7 8 6 7 5 6 5 7 5 5 8 3 5 4 7 1 7 4 5
每一行的的相互作用表示一个交互项，并包含交互项的预测变量的列索引。
找出交互项中最频繁的预测因子。
模式(Mdl。相互作用,“全部”）
ans = 5
交互项中最常见的预测因子是第5个预测因子(x5）.为第五个预测者创建pdp。要从计算中排除交互项，请指定“IncludeInteractions”,假的对于第二个PDP。
plotPartialDependence (Mdl 5 Mdl.ClassNames (1))在plotPartialDependence (Mdl 5 Mdl.ClassNames (1),“IncludeInteractions”假)网格在传奇(“线性和互动术语”，“线性条件仅”)标题(“第5个预测者的后验概率pdp”)举行关
图中显示了分数（后验概率）的部分依赖性x5取决于模型是否包含交互项，特别是在哪里x5介于0.2和0.45之间。
从图中提取部分依赖估计
训练支持向量机(金宝appSVM)回归模型使用carsmall数据集，并创建两个预测变量的PDP。然后，从的输出中提取部分相关估计plotPartialDependence．或者，您可以通过使用partialDependence函数。
加载carsmall数据集。
负载carsmall
指定重量，气缸，位移和马力作为预测变量(资源描述）.
Tbl=表（重量、气缸、排量、马力）；
使用。构建支持向量机回归模型资源描述以及响应变量英里/加仑．使用带有自动核尺度的高斯核函数。
Mdl = fitrsvm (MPG(资源,“ResponseName”，“英里”，．．.“CategoricalPredictors”，“气缸”，“标准化”,真的,．．.“KernelFunction”，“高斯”，“KernelScale”，“汽车”）;
创建一个PDP，以可视化预测响应的部分依赖性(英里/加仑)的预测变量重量和气缸．指定要计算其部分依赖性的查询点重量通过使用“QueryPoints”名称-值对参数。不能指定“QueryPoints”值气缸因为它是一个分类变量。plotPartialDependence使用所有的分类值。
pt = linspace (min(重量),max(重量),50)';ax = plotPartialDependence (Mdl, {“重量”，“气缸”}，“QueryPoints”, {pt, []});视图(140,30)%修改查看角度
PDP显示了两者之间的相互作用效应重量和气缸．部分相关英里/加仑在重量值的变化气缸．
提取的估计偏相关英里/加仑在重量和气缸．的扩展属性，YData和ZData的值斧子。Children分别为x轴值(第一个选定的预测值)、y轴值(第二个选定的预测值)和z轴值(对应的部分相关性值)。
xval = ax.Children.XData;yval = ax.Children.YData;zval = ax.Children.ZData;
或者，您可以通过使用partialDependence函数。
(pd, x, y) = partialDependence (Mdl, {“重量”，“气缸”}，“QueryPoints”, {pt, []});
pd包含查询点的部分依赖项值x和y．
如果您指定“条件”作为“绝对的”，plotPartialDependence创建一个包括PDP、散点图和一组ICE图的图形。ax.Children (1)和ax.Children (2)分别对应于PDP和散点图。剩余的元素斧子。Children对应ICE图。的扩展属性和YData的值ax.Children(我)分别为x轴值(所选预测值)和y轴值(相应的偏相关值)。
输入参数
输出参数
更多关于
算法
plotPartialDependence使用一个预测预测反应或分数的功能。plotPartialDependence选择合适的预测根据模型(RegressionMdl或ClassificationMdl)和运行预测使用默认设置。详细资料预测功能,请参见预测函数。如果指定的模型是基于树的模型(不包括增强的树集合)和“条件”是“没有”然后plotPartialDependence采用加权遍历算法代替预测函数。有关详细信息,请参见加权算法遍历．
回归模型对象
| 模型类型 | 完整或紧凑的回归模型对象 | 预测反应功能 |
|---|---|---|
| 决策树集成的自举聚合 | CompactTreeBagger |
预测 |
| 决策树集成的自举聚合 | 树人 |
预测 |
| 回归模型集合 | RegressionEnsemble，RegressionBaggedEnsemble，CompactRegressionEnsemble |
预测 |
| 高斯核回归模型采用随机特征展开 | RegressionKernel |
预测 |
| 高斯过程回归 | RegressionGP，CompactRegressionGP |
预测 |
| 广义加性模型 | RegressionGAM，CompactRegressionGAM |
预测 |
| 广义线性混合效应模型 | GeneralizedLinearMixedModel |
预测 |
| 广义线性模型 | 广义线性模型，CompactGeneralizedLinearModel |
预测 |
| 线性混合效应模型 | LinearMixedModel |
预测 |
| 线性回归 | LinearModel，CompactLinearModel |
预测 |
| 高维数据的线性回归 | RegressionLinear |
预测 |
| 神经网络回归模型 | RegressionNeuralNetwork，CompactRegressionNeuralNetwork |
预测 |
| 非线性回归 | NonLinearModel |
预测 |
| 回归树 | RegressionTree，CompactRegressionTree |
预测 |
| 金宝app支持向量机 | RegressionSVM，CompactRegressionSVM |
预测 |
分类模型对象
| 模型类型 | 完整或紧凑分类模型对象 | 用于预测标签和分数的函数 |
|---|---|---|
| 判别分析分类器 | ClassificationDiscriminant，CompactClassificationDiscriminant |
预测 |
| 支持向量机或其他分类器的多类模型金宝app | 分类，紧凑分类 |
预测 |
| 用于分类的学习者集合 | ClassificationEnsemble，CompactClassificationEnsemble，ClassificationBaggedEnsemble |
预测 |
| 基于随机特征展开的高斯核分类模型 | ClassificationKernel |
预测 |
| 广义加性模型 | ClassificationGAM，CompactClassificationGAM |
预测 |
| k最近的邻居模型 | ClassificationKNN |
预测 |
| 线性分类模型 | ClassificationLinear |
预测 |
| 朴素贝叶斯模型 | ClassificationNaiveBayes，紧分类朴素贝叶斯 |
预测 |
| 神经网络分类器 | 分类神经网络，CompactClassificationNeuralNetwork |
预测 |
| 金宝app支持向量机的一类和二值分类 | ClassificationSVM，CompactClassificationSVM |
预测 |
| 用于多类分类的二叉决策树 | ClassificationTree，CompactClassificationTree |
预测 |
| 袋装决策树集合 | 树人，CompactTreeBagger |
预测 |
选择功能
partialDependence计算不可视化的部分依赖性。该函数可以在一次函数调用中计算两个变量和多个类的部分依赖关系。
参考文献
哈斯蒂，特雷弗，罗伯特·蒂布希拉尼和杰罗姆·弗里德曼。统计学习的要素。纽约，纽约:施普林格纽约，2001。
扩展功能
另请参阅
面向对象编程的重要性|predictorImportance (RegressionEnsemble)|predictorImportance (RegressionTree)|relieff|sequentialfs|石灰|partialDependence|沙普利
你也可以从以下列表中选择一个网站:
