主要内容

predictorImportance

回归集合预测因子重要性的估计

展开全部页面

语法

imp = predictorImportance(ens)
[imp,ma] = predictorImportance(ens)

描述

小鬼= predictorImportance (实体）计算预测器重要性的估计值实体通过对集合中所有弱学习器的估计求和。小鬼在用于训练该集合的数据中，每个输入预测器都有一个元素。值高表示该预测器对重要实体．

［小鬼，妈] = predictorImportance(实体）返回一个P——- - - - - -P矩阵与预测措施的关联P预测因子。

输入参数

实体

一个回归集成，由fitrensemble，或透过紧凑的方法。

输出参数

小鬼

一个行向量，其元素数量与预测器(列)的数量相同实体．X．条目是预测器重要性的估计值，与0最小的表示尽可能小的重要性的

妈

一个P——- - - - - -P关联的预测度量矩阵P预测因子。元素硕士(I, J)关联的预测措施是否在预测器的代理分裂上平均J哪个预测器我是最佳的分裂预测器。predictorImportance对集合中所有树的关联预测测量取平均值。

例子

全部展开

打开实时脚本

估计数据中所有预测变量的预测因子重要性。

加载carsmall数据集。

负载carsmall

为生长100个回归树的集合英里/加仑使用加速度，气缸，位移，马力，Model_Year,重量为预测因子。指定树桩作为弱学习器。

X =[加速缸排量马力型号_年重量];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因子重要性。

imp = predictorImportance(ens)
小鬼=1×60.0150 0 0.0066 0.1111 0.0437 0.5181

重量最后一个预测因素，对里程数的影响最大。第二个预测器的重要性为0，这意味着气缸的数量对使用的预测没有影响实体．

打开实时脚本

估计数据中所有变量的预测器重要性，以及回归树集合中包含代理分割的位置。

加载carsmall数据集。

负载carsmall

为生长100个回归树的集合英里/加仑使用加速度，气缸，位移，马力，Model_Year,重量为预测因子。指定树桩作为弱学习器，并确定代理分割。

X =[加速缸排量马力型号_年重量];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(ens)
小鬼=1×60.2141 0.3798 0.4369 0.6498 0.3728 0.5700
马=6×61.0000 0.0098 0.0102 0.0098 0.0033 0.0067 0 1.0000 0000 000 56 0.0084 1.0000 0.0078 0.0022 0.0084 0.3537 0.4769 0.5834 1.0000 0.1612 0.5827 0.0061 0.0070 0.0063 0.0064 1.0000 0.0056 0.0154 0.0296 0.0533 0.0447 0.0070 1.0000

比较小鬼结果是预测因子重要性，马力对里程的影响最大，用什么重量有第二大影响。

更多关于

全部展开

算法

元素硕士(i, j)关联的预测措施是否在预测器的代理分裂上平均j哪个预测器我是最佳的分裂预测器。这个平均值是通过对预测器上的最佳分割的关联预测测量的阳性值求和来计算的我和代理人分裂预测j除以预测器上最优分割的总数我，包括预测因素之间关联的预测度量的分裂我而且j是负的。

扩展功能

另请参阅

||

主题