このペー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。
部分竞争
部分従属の計算
構文
说明
pd= partialDependence (RegressionMdl那var的）RegressionMdlを使用して，varに记载されているいる子数量间の分従属pdと予测応答を计算します。これには予测子データが含まれます。
pd= partialDependence (classificationmdl.那var那标签的）classificationmdl.を使用して，varに记载されているいる子数量间の分従属pdと,标签で指定されたクラスのスコアを計算します。これには予測子データが含まれます。
例
1つの変数における部分従属の計算とプロット
渔民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。
渔民デー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ついて種類(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。
负载渔民
応答に物种,予測子に量を使用して,単純ベイズ分類モデルに学習させます。
mdl = fitcnb（meas，speies，'predictornames', (“花萼长度”那“萼片宽度”那“花瓣长度”那“花瓣宽度”]）;
物种の3つのクラスすべてに対するMdlによる予測スコアについて,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Classnames.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）图例（mdl.classnames）xlabel（“花瓣长度”) ylabel (“分数”)标题(“部分依赖阴谋”的）
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，部分従属の値を计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つ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つ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。
人口普查1994.デー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ータと,複数の人口統計変数が含まれます。
负载人口普查1994.
分享到数量のサブセットをテーブルAdultData.から抽出します。
X = adultdata (1:50 0, {'年龄'那“workClass”那“education_num”那“marital_status”那“种族”那．..“性”那'资本收益'那'capital_loss'那“hours_per_week”那'薪水'}）;
fitcensembleを使用して“方法”を“包”として指定し，分享木のランダムフォレスト习习させせ再现再现性を得るためために，templateTreeを“复制”オプションで使用し，作成されたツリーのテンプレートを使用します。
rng ('默认') t = templateTree(“复制”,真正的);Mdl = fitcensemble (X,'薪水'那“方法”那“包”那'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）について，予测子年龄と教育_NUM.のスコアの部分従属の値を计算します。抽出する観测値の个数を100に指定します。
[pd，x，y] = PartialDependence（MDL，{'年龄'那“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。
图冲浪(x, y,挤压(pd(1::)))包含('年龄') ylabel (“教育\ _num”）Zlabel（'班级成绩<=50K')标题('部分依赖情节'30)视图([130])％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，挤压（pd（2，：：，:)））xlabel（'年龄') ylabel (“教育\ _num”）Zlabel（' >班成绩50K')标题('部分依赖情节'30)视图([130])％修改视角
2つのプロットは，クラスによって异なる异なる分従属パターンパターン示します。
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.次モデル计算しのせ，2つのしし示す，各，2计算します示す，各をします示す，各，2计算计算ます示す，各，2つの计算ます示す，各，2，の计算ます示す，に，2，のします示す，に，2つのします示す，に，2，のし。を作物成します。
Carsmall.データセットを読み込みます。
负载Carsmall.
重量那气缸那位移那马力を含む表を作成します。
台=表(重量、汽缸、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SVM回帰モデルに学習させます。自動カーネルスケールのガウスカーネル関数を使用します。
mdl = fitrsvm（tbl，mpg，'responsebame'那'mpg'那．..'patericalpricictors'那“气缸”那“标准化”,真的,．..'骨箱'那“高斯”那“KernelScale”那'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计算します。
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”那“马力”}，“QueryPoints”, (ptX企业]);
5行5列のタイル表示チャートレイアウトを含む图を作成します。関数显示亮度图像を使用して2つの変数の部分従属をプロットします。次に,関数柱状图。
t = tiledlayout (5 5“TileSpacing”那'袖珍的'）;AX1 = NELTTILE（2，[4,4]）;ImagesC（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））;edgey = [pty-dy / 2; pty（end）+ dy];直方图（马力，eddy）Xlabel（“马力”）XLIM（AX1.YLIM）;AX3.xdir =“反向”；Camroll（-90）
pdの各要素は,イメージプロットの1ピクセルの色を指定します。イメージの座標軸に合わせたヒストグラムは,予測子の分布を示します。
入力引数
出力数
详细
アルゴリズム
部分竞争は,関数预测を使用して応答またはスコアを予測します。部分竞争は，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ついては,次の2つの表の関数预测を参照してください。指定したモデルが木ベースのモデル(木のブースティングアンサンブルを除く)の場合,部分竞争は関数预测ではなく重み付き走查アルゴリズムををます。详细详细について，重み付き走查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
| モデルタイプ | 完全またはコンパクトな回帰モデルオブジェクト | 応答を予测する关联 |
|---|---|---|
| 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那回归释迦缩短那CompactRegressionEnsemble |
预测 |
| ランダムな特徴量拡張を使用したガウスカーネル回帰モデル | 回归科内尔 |
预测 |
| ガウス過程回帰 | RegressionGP那CompactRegressionGP |
预测 |
| 一般化加法モデル | RegressionGAM那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那CompactGeneralizedLinearModel |
预测 |
| 線形混合効果モデル | linearmixedmodel. |
预测 |
| 線形回帰 | LinearModel那CompactLinearModel |
预测 |
| 高次元データの線形回帰 | 回归线性 |
预测 |
| ニューラルネットワーク回帰モデル | RegressionNeuralNetwork那compactregressionneuralnetwork |
预测 |
| 非非回帰 | NonLinearModel |
预测 |
| 回帰木 | RegressionTree那compactregressiontree. |
预测 |
| サポートベクターマシン | RegressionSVM那CompactRegressionSVM |
预测 |
分類モデルオブジェクト
| モデルタイプ | 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测する关联 |
|---|---|---|
| 判別分析分類器 | ClassificationDiscriminant那CompactClassificationDiscriminant. |
预测 |
| サポートベクター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那CompactClassificationECOC |
预测 |
| 分享用のアンサンブル学仪器 | ClassificationEnsemble那CompactClassificationEnsemble那ClassificationBaggedEnsemble |
预测 |
| ランダムな特徴量拡張を使用したガウスカーネル分類モデル | ClassificationKernel |
预测 |
| 一般化加法モデル | ClassificationGAM那CompactClassificagegam. |
预测 |
| k最近最近傍 | ClassificationKNN |
预测 |
| 線形分類モデル | 分类线性 |
预测 |
| 単純ベイズモデル | ClassificationNaiveBayes那CompactClassificationNaiveBayes |
预测 |
| ニューラルネットワーク分類器 | ClassificationNeuralNetwork那CompactClassificationNeuralNetwork |
预测 |
| 1クラスおよびバイナリ分享用ののベクター | ClassificationSVM那CompactClassificationSVM |
预测 |
| マルチクラス分類用の二分決定木 | ClassificationTree那CompactClassificationTree. |
预测 |
| 决定木のバギングアンサンブル | TreeBagger那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。関数は个别条件付き期値(ICE)プロットも作成できます。
参照
[2] Hastie，Trevor，Robert Tibshirani和Jerome Friedman。统计学习的要素。纽约，纽约：春天纽约，2009年。
拡張機能
参考
oobPermutedPredictorImportance|predictorImportance (RegressionEnsemble)|预测（回归悲伤）|recieff.|sequentialfs|石灰|plotPartialDependence|福芙
トピック
您还可以从以下列表中选择一个网站：
