绘图竞争依赖性
创建部分依赖图(PDP)和个人条件期望图(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那vars.）vars.以及用回归模型预测的响应RegressionMdl，其中包含预测数据。
如果在中指定一个变量
vars.，该函数创建对变量的部分依赖的线曲线。如果你指定两个变量
vars.，该函数将创建与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.那vars.那标签）vars.以及在标签通过使用分类模型classificationmdl.，其中包含预测数据。
如果在中指定一个变量
vars.和一个课程标签，该函数创建针对指定类的变量的部分依赖的线图。如果在中指定一个变量
vars.和多个课程标签，函数在一个图形上为每个类创建一个线图。如果你指定两个变量
vars.和一个课程标签，该函数将创建与两个变量部分相关的曲面图。
例子
创建部分相关图
使用的方法训练回归树卡斯莫尔数据集，并创建一个显示特征与训练回归树中的预测响应之间关系的PDP。
加载卡斯莫尔数据集。
负载卡斯莫尔
指定重量那气瓶,马力为预测变量(X)，及MPG.作为响应变量（y)．
X =(重量、气缸、马力);Y = MPG;
使用X和y．
Mdl = fitrtree (X, Y);
查看经过训练的回归树的图形显示。
查看（MDL，“模式”那'图形'）
创建第一个预测变量的PDP，重量．
plotPartialDependence (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） 和MPG.(标记为y)在训练的回归树中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吗？x1小于3085.5。PDP还显示了附近的大变化x1= 3085.5。树查看器根据预测器变量在每个节点处可视化每个节点的每个决定。您可以找到基于值的几个节点x1，但确定y在x1这并不容易。但是,绘图竞争依赖性绘图平均预测反应x1，所以你可以清楚地看到部分依赖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.. 也可以通过使用修改轴标签包含和ylabel功能。
为多个类创建部分依赖性绘图
用。训练朴素贝叶斯分类模型鱼腥草数据集，并创建一个PDP，该PDP显示了用于多个类的预测变量和预测分数（后验概率）之间的关系。
加载鱼腥草数据集，包括物种(种)及尺寸(量）萼片长度，萼片宽度，花瓣长度和花瓣宽度为150鸢尾标本。数据集包含来自三种种类中的每一个的50个标本：Setosa，Versicolor和Virginica。
负载鱼腥草
用遗传算法训练朴素贝叶斯分类模型种作为响应量为预测因子。
MDL = FITCNB（MEAS，物种）;
创建一个PDP的分数预测Mdl对于所有三个课程种对阵第三预测变量x3．通过使用该标签来指定类标签Classnames.的属性Mdl．
plotPartialDependence (Mdl 3 Mdl.ClassNames);
根据该模型，概率弗吉纳斯增加x3．概率setosa从哪里约0.33x3是0到约2.5，然后概率下降到几乎0。
创建个人有条件期望地块
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 * rand（n，1）;
使用Gaussian进程回归模型[x1-x2]和y．
mdl = fitrgp（[x1 x2]，y）;
为第一个预测器创建一个包括PDP(红线)的图x1的散点图(圆标记)x1并预测响应，并通过指定进行一组冰块（灰线）“条件”作为'中心'．
plotPartialDependence (Mdl 1“条件”那'中心'）
什么时候“条件”是'中心'那绘图竞争依赖性偏移图，使所有图从零开始，这有助于检查所选特征的累积效应。
PDP找到平均的关系，因此它不会透露隐藏的依赖项，特别是当响应包括特征之间的交互时。然而，冰块清楚地表明了两个不同的回应依赖性x1．
部分相关图使用新的预测数据
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。
加载人口普查1994.数据集，其中包含美国的年薪数据，分类为<= 50K.或> 50 k，以及一些人口统计学变量。
负载人口普查1994.
从表中提取要分析的变量子集成人资料和成年人．
X = adultdata (: {“年龄”那“workClass”那“education_num”那“marital_status”那“种族”那......'性别'那'资本收益'那“资本损失”那'每周几小时'那'薪水'}); Xnew=成人测试（：{“年龄”那“workClass”那“education_num”那“marital_status”那“种族”那......'性别'那'资本收益'那“资本损失”那'每周几小时'那'薪水'}）;
用。训练分类器集合薪水作为响应，其余变量使用函数作为预测器fitcensemble．对于二进制分类，fitcensemble使用汇集100个分类树Logitboost.方法。
Mdl=fitcensemble（X，'薪水'）;
检查中的类名Mdl．
Mdl.ClassNames
ans =.2 x1分类< = 50 k > 50 k
创建所预测的分数的部分依赖关系图Mdl对于第二阶级薪水（> 50 k)与预测相反年龄使用训练数据。
plotPartialDependence（MDL，“年龄”Mdl.ClassNames (2))
为类创建一个分数的PDP> 50 k反对年龄使用来自表的新预测仪数据Xnew.．
plotPartialDependence（MDL，“年龄”Xnew Mdl.ClassNames (2))
这两张图显示了预测高分的部分依赖性的相似形状薪水（> 50 k)在年龄．这两个地块表明，预测的高薪得分速度速度快到30岁，然后保持几乎扁平，直到60岁，然后快速下降。然而，基于新数据的曲线产生超过65岁的比分略高。
比较预测变量的重要性
使用培训回归的集合卡斯莫尔数据集，并使用新数据集为每个预测变量创建PDP绘图和冰块，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预测的重要性函数。
加载卡斯莫尔数据集。
负载卡斯莫尔
指定重量那气瓶那马力,Model_Year为预测变量(X)，及MPG.作为响应变量（y)．
X =[重量、气缸、马力,Model_Year];Y = MPG;
使用训练回归集成X和y．
mdl = fitrensemble（x，y，......'predictornames', {“重量”那“气缸”那“马力”那'模型年'}，......“ResponseName”那'mpg'）;
创建预测变量的重要性使用绘图竞争依赖性和预测的重要性功能。的绘图竞争依赖性函数可视化所选预测器和预测响应之间的关系。预测的重要性总结预测器具有单个值的重要性。
为每个预测器创建一个包括PDP图(红线)和ICE图(灰线)的图绘图竞争依赖性并指定“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.数据集并将其用作新的预测器数据，Xnew.．当你提供Xnew.,绘图竞争依赖性函数使用Xnew.而不是预测的数据Mdl．
负载CARBIG.Xnew =[重量、气缸、马力,Model_Year];图t = tiledlayout(2,2，'tileespacing'那'袖珍的'）;标题（T，“个人条件期望图”）为i = 1：4 nextdile plotpartialdendence（mdl，i，xnew，“条件”那“绝对”） 标题（”）结尾
计算通过使用计算预测的预测值估计预测的重要性．该函数对每个预测器的分裂导致的均方误差(MSE)的变化进行求和，然后除以分支节点的数量。
imp=预测重要性（Mdl）；图形栏（imp）标题('预测重点估计') ylabel (“估计”)包含(“预测因素”) ax = gca;斧子。XTickLabel = Mdl.PredictorNames;
变量重量对最有影响力MPG.根据预测值的重要性。的PDP重量也表明,MPG.有很大的部分依赖重量．变量气瓶影响最小MPG.根据预测值的重要性。的PDP气瓶也表明,MPG.根据具体情况变化不大气瓶．
比较广义添加剂模型的部分依赖
用线性和相互作用术语训练推广添加剂模型（GAM）以获得预测器。然后，使用线性和交互术语和仅具有线性术语的PDP创建PDP。指定是否在创建PDP时包含交互术语。
加载电离层数据集。这个数据集有34个预测器和351个雷达回波的二进制响应，或者是坏的(“b”)或好('G')．
负载电离层
使用预测器训练游戏X和班级标签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，'classnames', {“b”那'G'}，'互动'，10）;
Mdl是A.ClassificationGAM模型对象。
列出互动条款Mdl．
mdl.interaction.
ans =.10×21 5 7 8 6 7 5 6 5 7 5 5 8 3 5 4 7 1 7 4 5
每一排相互作用表示一个交互项，并包含该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.interactions，“所有”）
ans = 5
交互术语中最常见的预测器是第五预测器（x5). 为第五个预测器创建PDP。要从计算中排除交互项，请指定'internalidantaction'，false第二个PDP。
plotPartialDependence (Mdl 5 Mdl.ClassNames (1))在PlotPartialDependence（MDL，5，MDL.Classnames（1），'internalideraction'，假）网格在传奇（'线性和互动条款'那“线性条件仅”） 标题（第五预测器的后验概率的“PDP”)持有从
该图显示了分数(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。
从图中提取部分相关估计
训练支持向量机(金宝appSVM)回归模型使用卡斯莫尔数据集，并为两个预测变量创建PDP。然后，从输出中提取部分依赖估计值绘图竞争依赖性．或者，您可以通过使用来获得部分依赖值部分竞争函数。
加载卡斯莫尔数据集。
负载卡斯莫尔
指定重量那气瓶那移位,马力为预测变量(TBL.)．
台=表(重量、汽缸、排量、马力);
使用。构建支持向量机回归模型TBL.和响应变量MPG.. 使用具有自动核尺度的高斯核函数。
mdl = fitrsvm（tbl，mpg，“ResponseName”那'mpg'那......'pationoricalpricictors'那“气缸”那“标准化”,真的,......“内核函数”那“高斯”那'kernelscale'那'汽车'）;
创建一个PDP，可视化预测响应的部分依赖(MPG.)关于预测变量重量和气瓶．指定查询点以计算部分依赖重量通过使用'querypoints'名称-值对的论点。您不能指定'querypoints'值气瓶因为它是一个分类变量。绘图竞争依赖性使用所有分类值。
pt=linspace（最小（重量），最大（重量），50'；ax=绘图部分独立性（Mdl{“重量”那“气缸”}，'querypoints'，{pt，[]}）;查看（140,30）％修改视角
PDP显示了两者之间的相互作用效应重量和气瓶. 部分依赖MPG.在重量根据的值进行更改气瓶．
提取估计的部分依赖MPG.在重量和气瓶．的XData那ydata.,兹达塔的值斧子。Children是X轴值（第一选择的预测值值），y轴值（第二选定的预测值值）和z轴值（相应的部分依赖值）。
xval = ax.Children.XData;yval = ax.Children.YData;zval = ax.Children.ZData;
或者，您可以通过使用来获得部分依赖值部分竞争函数。
[PD，X，Y] = PartialDependence（MDL，{“重量”那“气缸”}，'querypoints'，{pt，[]}）;
pd包含查询点的部分依赖值X和y．
如果您指定“条件”作为“绝对”那绘图竞争依赖性创建一个图形，包括PDP、散点图和一组ICE图。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XData和ydata.的值ax.Children(我)是X轴值（所选预测值值）和Y轴值（相应的部分依赖值）。
输入参数
输出参数
更多关于
算法
绘图竞争依赖性用A.预测用于预测响应或分数的函数。绘图竞争依赖性选择适当的预测根据模型运行(RegressionMdl或classificationmdl.)和运行预测使用默认设置。详细资料预测函数，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'没有任何',然后绘图竞争依赖性使用加权遍历算法而不是预测函数。有关详细信息,请参见加权遍历算法．
回归模型对象
| 模型类型 | 完整或紧凑回归模型对象 | 预测响应的功能 |
|---|---|---|
| 决策树集成的自举聚合 | CompactTreeBagger. |
预测 |
| 决策树集成的自举聚合 | TreeBagger |
预测 |
| 回归模型的集合 | RegressionEnsemble那回归分析那CompactRegressionEnsemble |
预测 |
| 高斯核回归模型采用随机特征展开 | 回归科内尔 |
预测 |
| 高斯过程回归 | regressiongp.那CompactregressionGP. |
预测 |
| 广义加性模型 | 回归那compactregressiongam. |
预测 |
| 广义线性混合效应模型 | GeneralizeLmixedModel. |
预测 |
| 广义线性模型 | GeneralizedLinearModel那Compact一项式标Model. |
预测 |
| 线性混合效应模型 | 线性矩阵模型 |
预测 |
| 线性回归 | LinearModel那CompactLinearModel |
预测 |
| 线性回归用于高维数据 | 回归线性 |
预测 |
| 神经网络回归模型 | RegressionNeuralNetwork那compactregressionneuralnetwork |
预测 |
| 非线性回归 | NonLinearModel |
预测 |
| 回归树 | 回归植物那紧回归树 |
预测 |
| 金宝app支持向量机 | RegressionSVM那compactregressionsvm. |
预测 |
分类模型对象
| 模型类型 | 完整或紧凑分类模型对象 | 预测标签和分数的功能 |
|---|---|---|
| 判别分析分类器 | 分类Discriminant.那紧分类判别式 |
预测 |
| 支持向量机或其他分类器的多款模型金宝app | ClassificationECOC那CompactClassificationECOC |
预测 |
| 用于分类的学习者集合 | 分类素..那CompactClassificationseMble那ClassificationBaggedensemble. |
预测 |
| 高斯核分类模型使用随机特征展开 | ClassificationKernel |
预测 |
| 广义加性模型 | ClassificationGAM那CompactClassificationgam. |
预测 |
| K.最近的邻居模型 | ClassificationKnn. |
预测 |
| 线性分类模型 | 分类线性 |
预测 |
| 天真的贝叶斯模型 | ClassificationNaiveBayes那CompactClassificationNaiveBayes |
预测 |
| 神经网络分类器 | ClassificationNeuralNetwork那CompactClassificationNeuralNetwork |
预测 |
| 金宝app支持向量机用于单级和二进制分类 | ClassificationSVM那CompactClassificationsVM. |
预测 |
| 多包分类的二进制决策树 | ClassificationTree.那紧分类树 |
预测 |
| 决策树的袋装集合 | TreeBagger那CompactTreeBagger. |
预测 |
替代功能
部分竞争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
[3] Hastie，Trevor，Robert Tibshirani和Jerome Friedman。统计学习的要素。纽约，纽约:施普林格纽约，2001。
扩展功能
您还可以从以下列表中选择网站：
