predictorImportance

对回归集成的预测器重要性的估计

语法

Imp = predictorimportance（ens） (imp, ma) = predictorImportance(实体)

描述

偶尔=预测orimportance（实体）计算预测的重要性估计实体通过在集合中的所有弱者学习者上求解这些估计。偶尔对用于训练该集成的数据中的每个输入预测器都有一个元素。一个高值表明这个预测器是重要的实体．

［偶尔，嘛] =预测orimportance（实体）返回一个P-经过-P具有预测措施的矩阵P预测因子。

输入参数

`实体`	由`fitrensemble.`，或通过`袖珍的`方法。

输出参数

`偶尔`	作为预测器（列）的数量相同数量的元素数量的行向量`实体．X`．条目是对预测器重要性的估计`0`代表最小的重要性。
`嘛`	一个`P`-经过-`P`关联协会预测措施的矩阵`P`预测因子。元素`马（I，J）`关联的预测测量是否平均高于预测器上的代理分割`J`对于哪个预测指标`我`是最佳分割预测器。`predictorImportance`平均在合奏中的所有树木上的这种预测措施。

例子

全部展开

估计预测的重要性

打开直播脚本

估计数据中所有预测变量的预测重要性。

加载Carsmall.数据集。

负载Carsmall.

长大100个回归树的合奏英里/加仑使用加速，气缸，位移，马力，model_year.，和重量为预测因子。指定树桩为弱学习者。

x = [加速缸位移马力型号_ year重量];t = templatetree（'maxnumsplits'，1）;ens = fitrensemble（x，mpg，“方法”，“LSBoost”，“学习者”t);

估计所有预测变量的预测值重要性。

Imp = predictorimportance（ens）

小鬼=1×60.0150 0 0.0066 0.1111 0.0437 0.5181

重量是最后的预测因素对里程产生了最大影响。第二个预测器具有重要性0，这意味着汽缸的数量对具有的预测没有影响实体．

预测者重要性和代理分割

打开直播脚本

估计数据中所有变量的预测值，以及回归树合奏包含代理分割。

加载Carsmall.数据集。

负载Carsmall.

长大100个回归树的合奏英里/加仑使用加速，气缸，位移，马力，model_year.，和重量为预测因子。将树桩指定为弱学习者，并识别代理分裂。

x = [加速缸位移马力型号_ year重量];t = templatetree（'maxnumsplits'，1，“代孕”，“上”）;ens = fitrensemble（x，mpg，“方法”，“LSBoost”，“学习者”t);

估计所有预测变量的预测重要性和关联的预测措施。

(imp, ma) = predictorImportance(实体)

小鬼=1×60.2141 0.3798 0.4369 0.6498 0.3728 0.5700

马=6×60.00000 0.0098 0.0102 0.0098 0.0033 0.0067 0 0.00000 0000 0.0056 0.0084 0.00000 0.0078 0.0022 0.0084 0.3537 0.4769 0.5834 0.00000 0.1612 0.5827 0.0061 0.0070 0.0063 0.0064 0.00000 0.0056 0.0154 0.0296 0.0533 0.0447 0.0070 1.0000

比较偶尔结果是估计预测的重要性，马力对里程影响最大的是什么重量拥有第二个最大的影响。