plotPartialDependence
创建偏依赖图(PDP)和个体条件期望图(ICE)
语法
描述
plotPartialDependence (计算并绘制中列出的预测变量之间的偏依赖关系RegressionMdl，var）var并利用回归模型进行预测RegressionMdl，其中包含预测数据。
如果指定一个变量
var，该函数创建了对变量的偏依赖性的折线图。如果指定两个变量
var，该函数创建了对两个变量的偏依赖性的曲面图。
plotPartialDependence (计算并绘制中列出的预测变量之间的偏依赖关系ClassificationMdl，var，标签）var以及指定课程的分数标签通过使用分类模型ClassificationMdl，其中包含预测数据。
如果指定一个变量
var还有一门课标签，该函数为指定的类创建对变量的偏依赖性的折线图。如果指定一个变量
var和多个类标签，该函数在一个图上为每个类创建折线图。如果指定两个变量
var还有一门课标签，该函数创建了对两个变量的偏依赖性的曲面图。
例子
创建部分依赖图
方法训练一个回归树carsmall数据集，并创建一个PDP，显示特征和训练回归树中的预测响应之间的关系。
加载carsmall数据集。
负载carsmall
指定重量，气缸,马力作为预测变量(X),英里/加仑作为响应变量(Y)．
X =(重量、气缸、马力);Y = MPG;
训练一个回归树X而且Y．
Mdl = fitrtree (X, Y);
查看经过训练的回归树的图形显示。
视图(Mdl,“模式”，“图”）
创建第一个预测变量的PDP，重量．
plotPartialDependence (Mdl, 1)
所画的线表示平均的部分关系重量(标记为x1),英里/加仑(标记为Y)在训练的回归树中Mdl．的x中的唯一值x1．
回归树查看器显示第一个决策是是否x1小于3085.5。附近的PDP也显示出较大的变化x1= 3085.5。树查看器根据预测器变量在每个节点上可视化每个决策。的值划分了几个节点x1的依赖性Y在x1是不容易的。然而,plotPartialDependence图平均预测的反应x1，所以可以清楚地看到的偏依赖性Y在x1．
标签x1而且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”而且“ResponseName”当你训练Mdl使用fitrtree．方法还可以修改轴标签包含而且ylabel功能。
为多个类创建偏依赖图
训练朴素贝叶斯分类模型fisheriris数据集，并创建一个PDP，显示多个类的预测变量和预测得分(后验概率)之间的关系。
加载fisheriris数据集，其中包含物种(物种)及测量(量)对150个鸢尾标本的萼片长度、萼片宽度、花瓣长度和花瓣宽度的影响。数据集包含三个物种的各50个标本:濑蝶、百色蝶和处女蝶。
负载fisheriris
训练朴素贝叶斯分类模型物种作为响应和量为预测因子。
Mdl = fitcnb(量、种类);
创建一个PDP的分数预测Mdl对于所有三类物种针对第三个预测变量x3．方法指定类标签一会的属性Mdl．
plotPartialDependence (Mdl 3 Mdl.ClassNames);
根据这个模型，的概率virginica增加而x3．的概率setosa大概是0.33，从哪里来的x3从0到2.5左右，然后概率下降到几乎0。
创建单独的条件期望图
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相互作用。然后，创建ICE图，显示一个特征和每个观察的预测反应之间的关系。
生成样本预测数据x1而且x2．
rng (“默认”）%的再现性n = 200;x1 =兰德(n - 1) * 2 - 1;x2 =兰德(n - 1) * 2 - 1;
生成包含交互的响应值x1而且x2．
Y = x1-2 * x1。* (x2 > 0) + 0.1 *兰德(n, 1);
创建高斯过程回归模型使用(x1, x2))而且Y．
Mdl = fitrgp([x1 x2]，Y);
为第一个预测器创建一个包含PDP(红线)的数字x1的散点图(圆形标记)x1和预测的响应，以及一组ICE图(灰色线)通过指定“条件”作为“中心”．
plotPartialDependence (Mdl 1“条件”，“中心”）
当“条件”是“中心”，plotPartialDependence对图进行偏移，使所有的图都从零开始，这有助于检查所选特征的累积效应。
PDP发现平均的关系，因此它不会揭示隐藏的依赖关系，特别是当响应包括特征之间的交互时。然而，ICE图清楚地显示了响应的两种不同依赖关系x1．
使用新的预测数据进行部分依赖图
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census1994数据集，包含美国的年薪数据，分类为< = 50 k或> 50 k，以及几个人口统计变量。
负载census1994
从表中提取要分析的变量子集adultdata而且成人．
X = adultdata (: {“年龄”，“workClass”，“education_num”，“marital_status”，“种族”，.．.“性”，“capital_gain”，“capital_loss”，“hours_per_week”，“工资”});Xnew =成人(:,{“年龄”，“workClass”，“education_num”，“marital_status”，“种族”，.．.“性”，“capital_gain”，“capital_loss”，“hours_per_week”，“工资”});
训练分类器的集合工资利用函数将响应和剩余变量作为预测变量fitcensemble．对于二进制分类,fitcensemble集合100个分类树LogitBoost方法。
Mdl = fitcensemble (X,“工资”）;
中的类名Mdl．
Mdl。ClassNames
ans =2 x1分类< = 50 k > 50 k
创建分数的偏依赖图Mdl第二节课工资（> 50 k)与预测器的对比年龄使用训练数据。
plotPartialDependence (Mdl“年龄”Mdl.ClassNames (2))
制作班级成绩的PDP> 50 k反对年龄使用表中的新预测数据Xnew．
plotPartialDependence (Mdl“年龄”Xnew Mdl.ClassNames (2))
两幅图对高预测分数的部分依赖表现出相似的形状工资（> 50 k)年龄．这两个图都表明，高收入的预测得分在30岁之前快速上升，然后在60岁之前几乎持平，然后快速下降。然而，根据新数据绘制的图表显示，65岁以上的人得分略高。
比较预测变量的重要性
方法训练一个回归集合carsmall数据集，并使用新的数据集为每个预测变量创建PDP图和ICE图，carbig．然后比较数据，分析预测变量的重要性。并且，将结果与由回归的预测器重要性的估计进行比较predictorImportance函数。
加载carsmall数据集。
负载carsmall
指定重量，气缸，马力,Model_Year作为预测变量(X),英里/加仑作为响应变量(Y)．
X =[重量、气缸、马力,Model_Year];Y = MPG;
训练回归集合使用X而且Y．
Mdl = fitrensemble (X, Y,.．.“PredictorNames”, {“重量”，“气缸”，“马力”，“年”}，.．.“ResponseName”，“英里”）;
方法创建预测变量的重要性plotPartialDependence而且predictorImportance功能。的plotPartialDependence函数可视化选定的预测器和预测响应之间的关系。predictorImportance总结了单值预测器的重要性。
为每个预测器创建一个包含PDP图(红线)和ICE图(灰线)的图plotPartialDependence并指定“有条件的”,“绝对”．每个图还包括所选预测者和预测反应的散点图(圆标记)。同时,加载carbig数据集并将其作为新的预测数据，Xnew．当你提供Xnew,plotPartialDependence函数使用Xnew而不是预测数据Mdl．
负载carbigXnew =[重量、气缸、马力,Model_Year];图t = tiledlayout(2,2，“TileSpacing”，“紧凑”）;标题(t)“个别条件期望图”）为i = 1: 4 nexttile plotpartialdependency (Mdl,i,Xnew，“条件”，“绝对”)标题(”）结束
计算预测器重要性的估计值predictorImportance．该函数将由于对每个预测器进行拆分而导致的均方误差(MSE)的变化相加，然后将总和除以分支节点的数量。
小鬼= predictorImportance (Mdl);图酒吧(imp)标题(的预测估计的重要性) ylabel (“估计”)包含(“预测”) ax = gca;斧子。XTickLabel = Mdl.PredictorNames;
的变量重量对什么影响最大英里/加仑根据预测器的重要性。PDP的重量也表明,英里/加仑有很高的部分依赖性重量．的变量气缸影响最小英里/加仑根据预测器的重要性。PDP的气缸也表明,英里/加仑变化不大取决于什么气缸．
广义加性模型的部分相关性比较
训练一个具有线性项和相互作用项的广义相加模型(GAM)。然后，创建一个同时包含线性和交互项的PDP和一个只包含线性项的PDP。指定在创建pdp时是否包含交互术语。
加载电离层数据集。该数据集有34个预测器和351个雷达返回二进制响应，坏的(“b”)或好(‘g’)．
负载电离层
使用预测器训练GAMX和类标签Y．推荐的做法是指定类名。指定包含10个最重要的交互术语。
Mdl = fitcgam (X, Y,“类名”, {“b”，‘g’}，“互动”10);
Mdl是一个ClassificationGAM模型对象。
中列出交互项Mdl．
Mdl。的相互作用
ans =10×21 5 7 8 6 7 5 5 5 7 5 8 3 5 4 7 1 7 4 5
每一行的的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。相互作用,“所有”）
ans = 5
交互项中最常见的预测因子是第5个预测因子(x5)．为第五个预测器创建pdp。要从计算中排除交互项，请指定“IncludeInteractions”,假的第二个PDP。
plotPartialDependence (Mdl 5 Mdl.ClassNames (1))在plotPartialDependence (Mdl 5 Mdl.ClassNames (1),“IncludeInteractions”假)网格在传奇("线性和相互作用术语"，“线性条件仅”)标题("第5个预测器的后验概率的pdp ")举行从
图显示分数的部分依赖性(后验概率)x5取决于模型是否包含交互术语，特别是在哪里x5在0.2到0.45之间。
从图中提取部分依赖估计
训练支持向量机(金宝appSVM)回归模型carsmall数据集，并为两个预测变量创建PDP。然后，从的输出中提取偏依赖估计plotPartialDependence．方法也可以获得部分依赖项值partialDependence函数。
加载carsmall数据集。
负载carsmall
指定重量，气缸，位移,马力作为预测变量(资源描述)．
台=表(重量、汽缸、排量、马力);
构造支持向量机回归模型资源描述响应变量英里/加仑．使用具有自动核尺度的高斯核函数。
Mdl = fitrsvm (MPG(资源,“ResponseName”，“英里”，.．.“CategoricalPredictors”，“气缸”，“标准化”,真的,.．.“KernelFunction”，“高斯”，“KernelScale”，“汽车”）;
创建一个PDP来可视化预测响应的部分依赖性(英里/加仑)的预测变量重量而且气缸．指定要计算部分依赖关系的查询点重量通过使用“QueryPoints”名称-值对的论点。您不能指定“QueryPoints”值气缸因为它是一个分类变量。plotPartialDependence使用所有分类值。
pt = linspace (min(重量),max(重量),50)';ax = plotPartialDependence (Mdl, {“重量”，“气缸”}，“QueryPoints”, {pt, []});视图(140,30)修改查看角度
PDP显示了两者之间的相互作用效应重量而且气缸．的偏依赖性英里/加仑在重量的值不同而不同气缸．
提取估计的偏依赖性英里/加仑在重量而且气缸．的XData，YData,ZData的值斧子。Children分别为x轴值(第一个选择的预测值)、y轴值(第二个选择的预测值)和z轴值(相应的部分依赖值)。
xval = ax.Children.XData;yval = ax.Children.YData;zval = ax.Children.ZData;
方法也可以获得部分依赖项值partialDependence函数。
(pd, x, y) = partialDependence (Mdl, {“重量”，“气缸”}，“QueryPoints”, {pt, []});
pd包含查询点的部分依赖值x而且y．
如果您指定“条件”作为“绝对”，plotPartialDependence创建一个包含PDP、散点图和一组ICE图的图。ax.Children (1)而且ax.Children (2)分别对应PDP和散点图。剩下的元素斧子。Children对应于ICE图。的XData而且YData的值ax.Children(我)分别为x轴值(所选预测值)和y轴值(相应的偏相关值)。
输入参数
输出参数
更多关于
算法
plotPartialDependence使用一个预测预测反应或分数的函数。plotPartialDependence选择适当的预测根据模型函数(RegressionMdl或ClassificationMdl)和运行预测使用默认设置。有关各预测功能,请参见预测函数在下面两个表。如果指定的模型是基于树的模型(不包括树的增强集成)和“条件”是“没有”,然后plotPartialDependence使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 | 完整或紧凑回归模型对象 | 预测反应的功能 |
|---|---|---|
| 用于决策树集成的引导聚合 | CompactTreeBagger |
预测 |
| 用于决策树集成的引导聚合 | TreeBagger |
预测 |
| 回归模型集合 | RegressionEnsemble，RegressionBaggedEnsemble，CompactRegressionEnsemble |
预测 |
| 采用随机特征展开的高斯核回归模型 | 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 | GeneralizedLinearMixedModel |
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 |
| 高维数据的线性回归 | RegressionLinear |
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 | 完整或紧凑的分类模型对象 | 预测标签和分数的函数 |
|---|---|---|
| 判别分析分类器 | ClassificationDiscriminant，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 |
| 学习者集合进行分类 | ClassificationEnsemble，CompactClassificationEnsemble，ClassificationBaggedEnsemble |
预测 |
| 基于随机特征展开的高斯核分类模型 | 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 | ClassificationLinear |
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单类和二元分类的支持向量机 | ClassificationSVM，CompactClassificationSVM |
预测 |
| 用于多类分类的二叉决策树 | ClassificationTree，CompactClassificationTree |
预测 |
| 决策树的袋装集合 | TreeBagger，CompactTreeBagger |
预测 |
选择功能
partialDependence计算部分依赖而不可视化。该函数可以在一个函数调用中计算两个变量和多个类的偏依赖关系。
参考文献
[3]哈斯蒂，特雷弗，罗伯特·蒂布希拉尼，杰罗姆·弗里德曼。统计学习的要素。纽约，纽约:施普林格纽约，2001年。
扩展功能
另请参阅
石灰|oobPermutedPredictorImportance|partialDependence|predictorImportance (RegressionEnsemble)|predictorImportance (RegressionTree)|relieff|sequentialfs|沙普利
您也可以从以下列表中选择网站:
