partialDependence
计算部分依赖
语法
描述
pd=部分依存（RegressionMdl，vars.）pd所列预测变量之间vars.以及用回归模型预测的响应RegressionMdl，其中包含预测数据。
pd=部分依存（ClassificationMdl，vars.，标签）pd所列预测变量之间vars.以及在标签通过使用分类模型ClassificationMdl，其中包含预测数据。
例子
计算和绘制对一个变量的部分依赖性
用。训练朴素贝叶斯分类模型fisheriris数据集，并计算部分依赖值，显示预测变量和多个类别的预测得分(后验概率)之间的关系。
加载fisheriris数据集，包括物种(物种)及尺寸(量)的萼片长度，萼片宽度，花瓣长度和花瓣宽度为150个鸢尾标本。该数据集包含了来自三个物种的50个样本:梭子蟹、花斑蟹和弗吉尼亚蟹。
负载fisheriris
培训一个天真的贝叶斯分类模型物种作为响应量为预测因子。
Mdl = fitcnb(量、种类、“PredictorNames”, (“花萼长度”，“花萼宽”，“花瓣长度”，“花瓣宽度”]）;
计算被预测分数的第三个预测变量(花瓣长度)的部分依赖值Mdl所有的三个类物种．属性指定类标签一会的属性Mdl．
(pd, x) = partialDependence (Mdl 3 Mdl.ClassNames);
pd包含查询点x的偏相关值。可以使用绘图函数(例如)绘制计算出的偏相关值情节和酒吧．情节pd对x通过使用酒吧函数。
栏(x, pd)传说(Mdl.ClassNames)包含(“花瓣长度”) ylabel (“分数”)标题(“部分依赖阴谋”）
根据这个模型，发生的概率virginica随着花瓣长度增加。概率setosa约为0.33，花瓣长度从0到2.5左右，然后概率几乎为0。
或者，您可以使用plotPartialDependence函数来计算和绘制部分相关值。
plotPartialDependence (Mdl 3 Mdl.ClassNames)
计算和绘制多个类的两个变量的部分依赖性
训练分类模型集合，计算多个类对两个变量的偏相关值。然后绘制出每个类的部分相关值。
加载census1994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census1994
从表中提取要分析的变量子集AdultData.．
X = adultdata (1:50 0, {'年龄'，“workClass”，“education_num”，“marital_status”，“种族”，......“性”，“capital_gain”，'capital_loss'，“hours_per_week”，'薪水'}）;
利用。训练分类树的随机森林fitcensemble并指定“方法”作为“包”．为了重现性，使用使用创建的树木模板Templatetree.与'可重复'选择。
rng ('默认') t = templateTree('可重复',真正的);Mdl = fitcensemble (X,'薪水'，“方法”，“包”，“学习者”t);
检查中的类名Mdl．
mdl.classnames.
ans =2 x1分类< = 50 k > 50 k
计算预测器上分数的部分依赖值年龄和education_num对于这两个类(<= 50K.和> 50 k）.指定要抽样的观察数为100。
(pd, x, y) = partialDependence (Mdl, {'年龄'，“education_num”}, Mdl。ClassNames,“NumObservationsToSample”, 100);
为第一个类创建部分依赖值的表面图(<= 50K.）通过使用SURFL.函数。
图冲浪(x, y,挤压(pd(1::)))包含('年龄') ylabel (“教育\ _num”) zlabel ('阶级得分<= 50k')标题(“部分依赖情节”30)视图([130])%修改查看角度
为第二个类创建部分依赖值的表面图(> 50 k）.
图冲浪(x, y,挤压(pd(2::)))包含('年龄') ylabel (“教育\ _num”) zlabel (' >班成绩50K')标题(“部分依赖情节”30)视图([130])%修改查看角度
这两个图显示了不同类别的部分依赖模式。
计算和绘制多元回归的偏依赖关系
训练支持向量机(金宝appSVM)回归模型使用Carsmall.数据集，并计算对两个预测变量的部分依赖。然后，创建一个图表，显示对两个变量的部分依赖，以及每个变量的直方图。
加载Carsmall.数据集。
负载Carsmall.
创建一个包含的表重量，气瓶，位移,马力．
台=表(重量、汽缸、排量、马力);
训练一个支持向量机回归模型使用的预测变量资源描述以及响应变量MPG.．使用具有自动内核刻度的高斯内核功能。
Mdl = fitrsvm (MPG(资源,“ResponseName”，“英里”，......“CategoricalPredictors”，“气缸”，“标准化”,真的,......'骨箱'，“高斯”，'kernelscale'，“汽车”）;
计算预测响应的部分依赖性(MPG.）在预测器变量上重量和马力．属性指定要计算部分依赖性的查询点'querypoints'名称-值对的论点。
numPoints = 10;ptX = linspace (min(重量),max(重量),numPoints) ';企业= linspace (min(马力),max(马力),numPoints) ';(pd, x, y) = partialDependence (Mdl, {“重量”，“马力”}，'querypoints', (ptX企业]);
创建一个包含5x5平铺图表布局的图形。用。绘制对两个变量的部分依赖关系显示亮度图像函数。然后通过使用绘制每个变量的直方图柱状图函数。指定直方图的边缘，以便直方图条的中心与查询点对齐。更改坐标轴属性以对齐绘图的坐标轴。
t = tiledlayout（5,5，“TileSpacing”，“紧凑”）;ax₁= nexttile (2 (4, 4));显示亮度图像(x, y, pd)标题(“部分依赖情节”) colorbar ('eastoutside'ax₁。YDir =“正常”；ax2 = nexttile(22日[1,4]);dX = diff (ptX (1:2));edgeX = [ptX-dX / 2; ptX(结束)+ dX);直方图(重量,edgeX);包含(“重量”）xlim（ax1.xlim）;AX3 = NELTTILE（1，[4,1]）;dy = diff（pty（1：2））;eddy = [pty-dy / 2; pty（end）+ dy];直方图（马力，eddy）Xlabel（“马力”) xlim (ax1.YLim);ax3。XDir =“反向”；Camroll（-90）
的每个元素pd指定图像图的一个像素的颜色。与图像轴对齐的直方图显示了预测器的分布。
输入参数
输出参数
更多关于
算法
partialDependence使用一个预测功能预测响应或分数。partialDependence选择适当的预测根据模型的功能（RegressionMdl或ClassificationMdl)和运行预测使用默认设置。详细资料预测函数，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)，则partialDependence采用加权遍历算法代替预测函数。有关详细信息,请参见加权算法遍历．
回归模型对象
| 模型类型 | 完整或紧凑的回归模型对象 | 预测反应功能 |
|---|---|---|
| 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 |
| 回归模型集合 | RegressionEnsemble，回归释迦缩短，CompactRegressionEnsemble |
预测 |
| 高斯核回归模型采用随机特征展开 | RegressionKernel |
预测 |
| 高斯过程回归 | RegressionGP，CompactregressionGP. |
预测 |
| 广义加性模型 | RegressionGAM，CompactRegressionGAM |
预测 |
| 广义线性混合效应模型 | GeneralizeLmixedModel. |
预测 |
| 广义线性模型 | GeneralizedLinearModel，CompactGeneralizedLinearModel |
预测 |
| 线性混合效应模型 | linearmixedmodel. |
预测 |
| 线性回归 | LinearModel，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，CompactRegressionNeuralNetwork |
预测 |
| 非线性回归 | NonLinearModel |
预测 |
| 回归树 | RegressionTree，Compactregressiontree. |
预测 |
| 金宝app支持向量机 | RegressionSVM，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.，CompactClassificationDiscriminant. |
预测 |
| 支持向量机或其他分类器的多类模型金宝app | ClassificationECOC，CompactClassificationECOC |
预测 |
| 学习者的集体融合 | ClassificationEnsemble，CompactClassificationEnsemble，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，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 |
| 朴素贝叶斯模型 | ClassificationNaiveBayes，CompactClassificationNaiveBayes |
预测 |
| 神经网络分类器 | ClassificationNeuralNetwork，CompactClassificationNeuralNetwork |
预测 |
| 金宝app支持向量机的一类和二值分类 | ClassificationSVM，CompactClassificationSVM |
预测 |
| 用于多类分类的二叉决策树 | ClassificationTree，CompactClassificationTree. |
预测 |
| 袋装决策树的合奏 | TreeBagger，CompactTreeBagger |
预测 |
替代功能
plotPartialDependence计算和绘制部分相关值。该函数还可以创建个人条件期望(冰)的阴谋。
参考
哈斯蒂，特雷弗，罗伯特·蒂布希拉尼和杰罗姆·弗里德曼。统计学习的要素。纽约，纽约:施普林格纽约，2009。
扩展功能
另请参阅
石灰|oobPermutedPredictorImportance|plotPartialDependence|predictorImportance (RegressionEnsemble)|predictorImportance (RegressionTree)|refieff|sequentialfs|沙普利
你也可以从以下列表中选择一个网站:
