oobPermutedPredictorImportance
预测对袋外预测测量观测的置换的重要性估计，用于分类树的随机森林
描述
偶尔= OobperMutedPredictorimportance（Mdl）Mdl．Mdl必须是一个ClassificationBaggedensemble.模型对象。
输入参数
输出参数
例子
估计预测因子的重要性
加载census1994数据集。考虑一项预测人员薪水类别的模型，鉴于其年龄，工人阶级，教育水平，武术，种族，性别，资本收益和损失以及每周工作时间的数量。
负载census1994x = AdultData（：，{'年龄'，'工作组'，“education_num”，“marital_status”，'种族'，......'性别'，“capital_gain”，“capital_loss”，'每周几小时'，'薪水'}）;
您可以使用整个数据集培训50个分类树的随机森林。
Mdl = fitcensemble (X,'薪水'，'方法'，'包'，'numlearnicalnycle', 50);
fitcensemble.使用默认模板树对象Templatetree（）作为一个弱学习者'方法'是'包'．在此示例中，为了再现性，请指定'可重复'，真实创建树模板对象时，然后将对象用作弱的学习者。
RNG（'默认'）重复性的％t = templateTree ('可重复'，真的）;%用于随机预测器选择的重现性Mdl = fitcensemble (X,'薪水'，'方法'，'包'，'numlearnicalnycle', 50岁,“学习者”t);
Mdl是A.ClassificationBaggedensemble.模型。
通过排列出包外的观察来估计预测器的重要性。使用条形图比较估计值。
小鬼= oobPermutedPredictorImportance (Mdl);图;酒吧(imp);标题(“out - bag perised Predictor Importance Estimates”）;ylabel（“估计”）;包含(“预测”）;甘氨胆酸h =;h.XTickLabel = Mdl.PredictorNames;h.XTickLabelRotation = 45;h.TickLabelInterpreter =“没有”；
偶尔是预测器重要性估计的1 × 9向量。较大的值表示对预测有较大影响的预测器。在这种情况下,婚姻状况是最重要的预测因素，其次是capital_gain．
使用并行计算的预测器重要性的无偏估计
加载census1994数据集。考虑一项预测人员薪水类别的模型，鉴于其年龄，工人阶级，教育水平，武术，种族，性别，资本收益和损失以及每周工作时间的数量。
负载census1994x = AdultData（：，{'年龄'，'工作组'，“education_num”，“marital_status”，'种族'，......'性别'，“capital_gain”，“capital_loss”，'每周几小时'，'薪水'}）;
显示使用的类别中表示的类别数概括．
摘要（x）
变量：年龄：32561×1双重值：Min 17中位数37 Max 90 Workclass：32561×1分类价值：联邦 - GOV 960 Loct-Gov 2093从未工作过7私人22696 Self-Emp-Inc 1116自我Emp-Inc 1116自我Emp-Not-INC 2541 State-Gov 1298没有支付14 Nummissing 1836教育：32561×1双价值：Min 1中位数10 Max 16 Marital_Status：32561×1分类价值：离婚4443已婚 - 自夸23结婚 - Civ-Spouse 14976已婚 -年代pouse-absent 418 Never-married 10683 Separated 1025 Widowed 993 race: 32561×1 categorical Values: Amer-Indian-Eskimo 311 Asian-Pac-Islander 1039 Black 3124 Other 271 White 27816 sex: 32561×1 categorical Values: Female 10771 Male 21790 capital_gain: 32561×1 double Values: Min 0 Median 0 Max 99999 capital_loss: 32561×1 double Values: Min 0 Median 0 Max 4356 hours_per_week: 32561×1 double Values: Min 1 Median 40 Max 99 salary: 32561×1 categorical Values: <=50K 24720 >50K 7841
由于分类变量中的几个类别与连续变量中的级别相比，标准推车，预测器分裂算法更喜欢在分类变量上拆分连续预测器。
使用整个数据集列车50种分类树的随机森林。为了种植无偏的树木，请指定用于分裂预测器的曲率测试的使用。由于数据中存在缺少值，因此指定代理分割的使用。要重现随机预测器选择，请使用随机数发生器的种子rng并指定'可重复'，真实．
RNG（'默认'）重复性的％t = templateTree (“PredictorSelection”，“弯曲”，'代理'，“上”，......'可重复'，真的）;随机预测器选择的再现性的％Mdl = fitcensemble (X,'薪水'，'方法'，'包'，'numlearnicalnycle', 50岁,......“学习者”t);
通过排列出包外的观察来估计预测器的重要性。并行执行计算。
选项= statset（“UseParallel”，真的）;Imp = OobperMutedPredictorimportance（MDL，'选项'，选项）;
使用“local”配置文件启动并行池(parpool)…连接到并行池(工作人员数量:6)。
使用条形图比较估计值。
图酒吧（IMP）标题（“out - bag perised Predictor Importance Estimates”) ylabel (“估计”）xlabel（“预测”）H = GCA;h.XTickLabel = Mdl.PredictorNames;h.XTickLabelRotation = 45;h.TickLabelInterpreter =“没有”；
在这种情况下,capital_gain是最重要的预测因素，其次是martial_status．将这些结果与结果进行比较估计预测因子的重要性．
更多关于
提示
在使用随机森林时使用fitcensemble.：
标准CART倾向于选择包含许多不同值(如连续变量)的分离预测因子，而不是包含很少不同值(如分类变量)的分离预测因子［3］．如果预测器数据集是异构的，或者如果存在与其他变量相对较少的不同值的预测器，则考虑指定曲率或交互测试。
使用标准CART生长的树木对预测变量相互作用不敏感。此外，与交互测试的应用相比，在存在许多无关的预测因子时，这种树不太可能识别出重要的变量。因此，为了解释预测变量之间的交互作用，并在存在许多不相关变量的情况下识别重要变量，指定交互作用检验［2］．
如果培训数据包括许多预测因子并且您想要分析预测的重要性，则指定
'numvariablestosample'的Templatetree.功能“所有”对于合奏的树学习者。否则，软件可能无法选择一些预测器，低估了他们的重要性。
有关更多详细信息，请参阅Templatetree.和选择分割预测器选择技术．
参考
[1] Breiman，L.，J.Friedman，R. Olshen和C. Stone。分类与回归树．佛罗里达州博卡拉顿:CRC出版社，1984。
[2] LOH，W.Y.“具有无偏的变量选择和相互作用检测的回归树。”STATISTICA SINICA.， 2002年第12卷，第361-386页。
Loh w.y y and Y.S. Shih分类树的分裂选择方法STATISTICA SINICA.，卷。7，1997，第815-840页。
扩展能力
你也可以从以下列表中选择一个网站:
