このペ，ジの翻訳は最新ではありません。ここをクリックして，英語の最新版を参照してください。
partialDependence
部分従属の計算
構文
説明
pd= partialDependence (RegressionMdl，var）RegressionMdlを使用して，varに記載されている予測子変数間の部分従属pdと予測応答を計算します。これには予測子デ，タが含まれます。
pd= partialDependence (ClassificationMdl，var，标签）ClassificationMdlを使用して，varに記載されている予測子変数間の部分従属pdと,标签で指定されたクラスのスコアを計算します。これには予測子デ，タが含まれます。
例
1の変数における部分従属の計算とプロット
fisheririsデータセットで単純ベイズ分類モデルに学習させて,予測子変数と複数クラスの予測スコア(事後確率)の関係を示す部分従属の値を計算します。
fisheririsデ，タセットを読み込みます。これには150本のアヤメの標本にいて種類(物种)と，がく片の長さ，がく片の幅，花弁の長さ，花弁の幅の測定値(量)が含まれています。このデータセットには,setosa,杂色的およびvirginicaの3種類のそれぞれについて50個ずつの標本が含まれています。
负载fisheriris
応答に物种，予測子に量を使用して，単純ベ。
Mdl = fitcnb(meas,species，“PredictorNames”, (“花萼长度”，“花萼宽”，“花瓣长度”，“花瓣宽度”]);
物种の3のクラスすべてに対するMdlによる予測スコアにいて，3番目の予測子変数(花弁の長さ)の部分従属の値を計算します。Mdlの一会プロパティを使用して，クラスラベルを指定します。
[pd,x] = partialDependence(Mdl,3,Mdl. classnames);
Pdにはクエリ点xの部分従属の値が含まれます。情节や酒吧などのプロット関数を使用して，計算された部分従属の値をプロットできます。関数酒吧を使用して，xに対してpdをプロットします。
bar(x,pd) legend(mld . classnames) xlabel(“花瓣长度”) ylabel (“分数”)标题(“部分依赖图”）
このモデルでは，virginicaの確率は花弁の長さにともなって増加しています。setosaの確率は,花弁の長さが0から2.5付近までは約0.33であり,それ以降は確率はほぼ0に低下します。
あるいは，関数plotPartialDependenceを使用し，部分従属の値を計算してプロットすることができます。
plotPartialDependence (Mdl 3 Mdl.ClassNames)
複数クラスの2の変数における部分従属の計算とプロット
分類モデルのアンサンブルに学習させ，複数クラスの2の変数における部分従属の値を計算します。次に，各クラスの部分従属の値をプロットします。
census1994デ，タセットを読み込みます。これには，< = 50 kまたは> 50 kに分類される米国の年収デ，タと，複数の人口統計変数が含まれます。
负载census1994
分析する変数のサブセットをテ，ブルadultdataから抽出します。
X =成人数据(1:500，{“年龄”，“workClass”，“education_num”，“marital_status”，“种族”，.．.“性”，“capital_gain”，“capital_loss”，“hours_per_week”，“工资”})；
fitcensembleを使用して“方法”を“包”として指定し，分類木のランダムフォレストに学習させます。再現性を得るために，templateTreeを“复制”オプションで使用し，作成されたリのテンプレトを使用します。
rng (“默认”) t = templateTree(“复制”,真正的);Mdl = fitcensemble(X，“工资”，“方法”，“包”，“学习者”t);
Mdlのクラス名を検査します。
Mdl。ClassNames
ans =2 x1分类< = 50 k > 50 k
両方のクラス(< = 50 kと> 50 k)にいて，予測子年龄とeducation_numのスコアの部分従属の値を計算します。抽出する観測値の個数を100 に指定します。
[pd,x,y] = partialDependence(Mdl，{“年龄”，“education_num”}, Mdl。ClassNames,“NumObservationsToSample”, 100);
関数surflを使用し，1番目のクラス(< = 50 k)の部分従属の値の表面プロットを作成します。
图surf(x,y,squeeze(pd(1，:，:))) xlabel(“年龄”) ylabel (“教育\ _num”) zlabel ('班级分数<=50K')标题(“部分依赖图”)视图([130 30])%修改视角
2番目のクラス(> 50 k)の部分従属の値の表面プロットを作成します。
图surf(x,y,squeeze(pd(2，:，:))) xlabel(“年龄”) ylabel (“教育\ _num”) zlabel (“>级成绩50K”)标题(“部分依赖图”)视图([130 30])%修改视角
2 .。
回帰の複数の変数における部分従属の計算とプロット
carsmallデータセットを使用してサポートベクターマシン(SVM)回帰モデルに学習をさせ,2つの予測子変数の部分従属を計算します。次に，2
carsmallデ，タセットを読み込みます。
负载carsmall
重量、气缸、位移、马力を含む表を作成します。
Tbl =表(重量，气缸，排量，马力);
资源描述の予測子変数と応答変数英里/加仑を使用して支持向量机回帰モデルに学習させます。自動カ，ネルスケ，ルのガウスカ，ネル関数を使用します。
Mdl = fitrsvm(Tbl,MPG，“ResponseName”，“英里”，.．.“CategoricalPredictors”，“气缸”，“标准化”,真的,.．.“KernelFunction”，“高斯”，“KernelScale”，“汽车”）;
予測子変数重量と马力の予測応答(英里/加仑)の部分従属を計算します。クエリ点を指定し，名前と値のペアの引数“QueryPoints”を使用して部分従属を計算します。
numPoints = 10;ptX = linspace(min(Weight)，max(Weight)，numPoints)';ptY = linspace(min(马力)，max(马力)，numPoints)';[pd,x,y] = partialDependence(Mdl，{“重量”，“马力”}，“QueryPoints”, (ptX企业]);
5行5列のタesc esc esc esc esc esc esc esc esc esc esc esc esc esc esc esc esc esc esc esc esc esc esc esc esc esc esc esc関数显示亮度图像を使用して，2の変数の部分従属をプロットします。次に，関数柱状图を使用して，各変数のヒストグラムを描画します。ヒストグラムのエッジを指定して，ヒストグラムバ，の中心がクエリ点に揃うようにします。座標軸プロパティを変更して，プロットの座標軸を揃えます。
T = tiledlayout(5,5，“TileSpacing”，“紧凑”）;Ax1 = nexttile(2，[4,4]);显示亮度图像(x, y, pd)标题(“部分依赖图”) colorbar (“eastoutside”ax₁。YDir =“正常”；Ax2 = nexttile(22，[1,4]);dX = diff(ptX(1:2));edgeX = [ptX-dX/2;ptX(end)+dX];直方图(重量,edgeX);包含(“重量”) xlim (ax1.XLim);Ax3 = nexttile(1，[4,1]);dY = diff(ptY(1:2));egey = [ptY-dY/2;ptY(end)+dY];直方图(马力,edgeY)包含(“马力”) xlim (ax1.YLim);ax3。XDir =“反向”；camroll (-90)
pdの各要素は，1。。
入力引数
出力引数
詳細
アルゴリズム
partialDependenceは，関数预测を使用して応答またはスコアを予測します。partialDependenceは、モデル(RegressionMdlまたはClassificationMdl)に従って適切な関数预测を選択し，既定の設定で预测を実行します。各関数预测の詳細にいては，次の2预测を参照してください。指定したモデルが木ベ，スのモデル(木のブ，スティングアンサンブルを除く)の場合，partialDependenceは関数预测ではなく重み付き走査アルゴリズムを使用します。詳細にいては，重み付き走査アルゴリズムを参照してください。
回帰モデルオブジェクト
| モデルタ@ @プ | 完全またはコンパクトな回帰モデルオブジェクト | 応答を予測する関数 |
|---|---|---|
| 決定木のアンサンブルのバギング | CompactTreeBagger |
预测 |
| 決定木のアンサンブルのバギング | TreeBagger |
预测 |
| 回帰モデルのアンサンブル | RegressionEnsemble，RegressionBaggedEnsemble，CompactRegressionEnsemble |
预测 |
| ランダムな特徴量拡張を使用したガウスカ，ネル回帰モデル | RegressionKernel |
预测 |
| ガウス過程回帰 | RegressionGP，CompactRegressionGP |
预测 |
| 一般化加法モデル | RegressionGAM，CompactRegressionGAM |
预测 |
| 一般化線形混合効果モデル | GeneralizedLinearMixedModel |
预测 |
| 一般化線形モデル | GeneralizedLinearModel，CompactGeneralizedLinearModel |
预测 |
| 線形混合効果モデル | LinearMixedModel |
预测 |
| 線形回帰 | LinearModel，CompactLinearModel |
预测 |
| 高次元デ，タの線形回帰 | RegressionLinear |
预测 |
| ニュ，ラルネットワ，ク回帰モデル | RegressionNeuralNetwork，CompactRegressionNeuralNetwork |
预测 |
| 非線形回帰 | NonLinearModel |
预测 |
| 回帰木 | RegressionTree，CompactRegressionTree |
预测 |
| サポ，トベクタ，マシン | RegressionSVM，CompactRegressionSVM |
预测 |
分類モデルオブジェクト
| モデルタ@ @プ | 完全またはコンパクトな分類モデルオブジェクト | ラベルとスコアを予測する関数 |
|---|---|---|
| 判別分析分類器 | ClassificationDiscriminant，CompactClassificationDiscriminant |
预测 |
| サポ，トベクタ，マシンまたはその他の分類器用のマルチクラスモデル | ClassificationECOC，CompactClassificationECOC |
预测 |
| 分類用のアンサンブル学習器 | ClassificationEnsemble，CompactClassificationEnsemble，ClassificationBaggedEnsemble |
预测 |
| ランダムな特徴量拡張を使用したガウスカ，ネル分類モデル | ClassificationKernel |
预测 |
| 一般化加法モデル | ClassificationGAM，CompactClassificationGAM |
预测 |
| K最近傍モデル | ClassificationKNN |
预测 |
| 線形分類モデル | ClassificationLinear |
预测 |
| 単純ベ@ @ズモデル | ClassificationNaiveBayes，CompactClassificationNaiveBayes |
预测 |
| ニュ，ラルネットワ，ク分類器 | ClassificationNeuralNetwork，CompactClassificationNeuralNetwork |
预测 |
| 1クラスおよびバナリ分類用のサポトベクタマシン | ClassificationSVM，CompactClassificationSVM |
预测 |
| マルチクラス分類用の二分決定木 | ClassificationTree，CompactClassificationTree |
预测 |
| 決定木のバギングアンサンブル | TreeBagger，CompactTreeBagger |
预测 |
代替機能
plotPartialDependenceは部分従属の値を計算してプロットします。関数は個別条件付き期待値(冰)プロットも作成できます。
参照
哈斯蒂、特雷弗、罗伯特·蒂布谢拉尼和杰罗姆·弗里德曼。统计学习的要素。纽约，纽约州:施普林格纽约，2009。
拡張機能
参考
oobPermutedPredictorImportance|predictorImportance (RegressionEnsemble)|predictorImportance (RegressionTree)|relieff|sequentialfs|石灰|plotPartialDependence|沙普利
トピック
您也可以从以下列表中选择一个网站:
