partialDependence
语法
描述
pd= partialDependence (RegressionMdl,var)pd之间的预测变量中列出var并使用回归模型预测的反应RegressionMdl,其中包含预测数据。
pd= partialDependence (ClassificationMdl,var,标签)pd之间的预测变量中列出var和分数中指定的类标签通过使用分类模型ClassificationMdl,其中包含预测数据。
例子
计算和情节部分依赖一个变量
朴素贝叶斯分类模型的训练fisheriris数据集和计算部分依赖值显示预测变量之间的关系和预测的分数为多个类(后验概率)。
加载fisheriris数据集,其中包含物种(物种)和测量(量花萼长度,萼片宽,花瓣长度和花瓣宽度150虹膜样本。数据集包含50个标本每个三个物种:setosa,杂色的,virginica。
负载fisheriris
训练朴素贝叶斯分类模型物种的反应,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”]);
计算值在第三部分依赖预测变量预测的分数(花瓣长度)Mdl所有的三个类物种。通过使用指定的类标签一会的属性Mdl。
(pd, x) = partialDependence (Mdl 3 Mdl.ClassNames);
pd包含部分依赖x值查询点。你可以画出部分依赖计算值使用绘图等功能情节和酒吧。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,的概率virginica随花瓣长度。的概率setosa长度约为0.33,花瓣是0到2.5左右,然后下降的概率几乎为0。
或者,您可以使用plotPartialDependence函数计算值和情节部分依赖。
plotPartialDependence (Mdl 3 Mdl.ClassNames)
计算和情节部分依赖两个变量为多个类
训练一个分类模型和计算部分依赖为多个类在两个变量的值。每个类的部分依赖值进行绘制。
加载census1994数据集,其中包含我们年薪数据,分类< = 50 k或> 50 k,一些人口统计学变量。
负载census1994
从表中提取变量分析的一个子集adultdata。
X = adultdata (1:50 0,“年龄”,“workClass”,“education_num”,“marital_status”,“种族”,…“性”,“capital_gain”,“capital_loss”,“hours_per_week”,“工资”]);
训练随机森林分类树的使用fitcensemble并指定方法为“袋”。再现性,使用模板创建的树templateTree与可再生的选择。
rng (“默认”)t = templateTree (“复制”,真正的);Mdl = fitcensemble (X,“工资”,“方法”,“包”,“学习者”t);
检查的类名Mdl。
Mdl.ClassNames
ans =2 x1分类< = 50 k > 50 k
计算部分的预测因子上的得分值的依赖年龄和education_num对两类(< = 50 k和> 50 k)。指定数量的观测样本100。
(pd, x, y) = partialDependence (Mdl, (“年龄”,“education_num”),Mdl.ClassNames,“NumObservationsToSample”,100);
创建一个表面的情节部分依赖一流的值(< = 50 k)通过使用冲浪函数。
图冲浪(x, y,挤压(pd(1::)))包含(“年龄”)ylabel (“教育\ _num”)zlabel (“类< = 50 k的分数”)标题(“部分依赖阴谋”30)视图([130])%修改视角
创建一个表面的情节为第二部分依赖值类(> 50 k)。
图冲浪(x, y,挤压(pd(2::)))包含(“年龄”)ylabel (“教育\ _num”)zlabel (“类> 50 k的分数”)标题(“部分依赖阴谋”30)视图([130])%修改视角
两个情节显示不同的部分依赖模式取决于类。
计算部分对噪声数据的依赖
加载carbig样本数据集。
负载carbig
向量位移,气缸,Model_Year汽车发动机排量,包含数据的发动机气缸,分别和年汽车制造。
多项式回归模型使用位移和气缸作为预测变量和Model_Year作为响应。
predvars =(位移、缸);Mdl = fitmnr (predvars Model_Year PredictorNames = (“位移”,“气缸”]);
创建一个向量的噪声预测的数据通过使用预测变量兰德函数。
Data = predvars(1:10:最终,);rng (“默认”)行=长度(数据);=数据+ 10 *兰德([行,2]);
计算部分对应的响应类别概率依赖汽车制造在1980年位移。使用噪声预测数据计算部分依赖。
(pd, x, ~) = partialDependence (Mdl,“位移”,80年数据)
pd =1×1000.0030 0.0031 0.0031 0.0032 0.0032 0.0033 0.0033 0.0033 0.0034 0.0034 0.0035 0.0035 0.0036 0.0036 0.0036 0.0037 0.0037 0.0037 0.0038 0.0038 0.0038 0.0039 0.0039 0.0039 0.0039 0.0039 0.0040 0.0040 0.0040 0.0040 0.0040 0.0040 0.0040 0.0040 0.0040 0.0040 0.0040 0.0040 0.0040 0.0040 0.0039 0.0039 0.0039 0.0039 0.0038 0.0038 0.0038 0.0037 0.0037 0.0036
x =100×173.7850 77.1781 80.5713 83.9644 87.3575 90.7507 94.1438 97.5370 100.9301 104.3232⋮
输出显示了计算值的部分依赖类别概率位移。因为位移是一个连续变量,partialDependence函数计算查询部分依赖于100等距的点x。
情节部分使用的依赖plotPartialDependence。
plotPartialDependence (Mdl“位移”,80年数据)
情节显示,当位移从大约70增加到大约180年,一辆汽车在1980年生产的概率增加。作为位移继续增加,1980年汽车制造的概率减少。
计算和情节部分依赖多个变量的回归
训练支持向量机(万博1manbetxSVM)回归模型使用carsmall数据集,并计算部分依赖两个预测变量。然后,创建一个图,显示了部分依赖两个变量以及每个变量的直方图。
加载carsmall数据集。
负载carsmall
创建一个表,其中包含重量,气缸,位移,马力。
台=表(重量、汽缸、排量、马力);
火车一个SVM回归模型使用的预测变量资源描述和响应变量英里/加仑。使用高斯核函数与一个自动内核规模。
Mdl = fitrsvm (MPG(资源,“ResponseName”,“英里”,…“CategoricalPredictors”,“气缸”,“标准化”,真的,…“KernelFunction”,“高斯”,“KernelScale”,“汽车”);
计算部分依赖预测的响应(英里/加仑在预测变量)重量和马力。指定查询点计算局部使用的依赖QueryPoints名称-值参数。
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]);
创建一个图,其中包含一个5-by-5平铺图布局。情节部分依赖使用的两个变量显示亮度图像函数。然后画出直方图为每个变量使用柱状图函数。指定的边缘直方图,使直方图酒吧的中心对齐与查询点。改变轴属性来调整轴的阴谋。
t = tiledlayout (5 5“TileSpacing”,“紧凑”);ax₁= nexttile (2 (4, 4));显示亮度图像(x, y, pd)标题(“部分依赖阴谋”)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 = nexttile (1, 4, 1]);dY = diff(企业(1:2));edgeY = [ptY-dY / 2;企业(结束)+ (dY);直方图(马力,edgeY)包含(“马力”)xlim (ax1.YLim);ax3。XDir =“反向”;camroll (-90)
的每个元素pd指定图像的一个像素的颜色。图像的直方图与坐标轴显示分布的预测。
指定模型使用函数处理
计算标签的部分依赖分数的预测变量SemiSupervisedSelfTrainingModel对象。你不能通过SemiSupervisedSelfTrainingModel直接对象partialDependence函数。相反,定义一个自定义函数,返回标签分数为对象,然后通过函数partialDependence。
随机生成15观测带安全标签的数据时,有五个观测的三个类。
rng (“默认”)%的再现性labeledX = [randn (5,2) * 0.25 + 1 (2);randn (5,2) * 0.25 - 1 (2);randn (5,2) * 0.5);Y =[(5、1)的;(5、1)* 2;(1)* 3);
随机生成300额外的无标号数据观察,100年观察每个类。
unlabeledX = [randn(100 2) * 0.25 +(100 2)的;randn (100 2) * 0.25 - 1 (100 2);randn (100 2) * 0.5);
合适的标签无标号数据通过使用半监督自我训练方法。这个函数fitsemiself返回一个SemiSupervisedSelfTrainingModel对象。
Mdl = fitsemiself (labeledX Y unlabeledX);
定义自定义函数myLabelScores分数的计算,它返回标签预测的函数SemiSupervisedSelfTrainingModel;自定义函数定义出现在这个例子的结束。
计算分数的部分依赖unlabeledX对每个变量的所有类。partialDependence接受一个定制的模型函数形式的处理。所表示的函数函数处理必须接受预测数据并返回一个列向量或矩阵的每一行的观察。指定自定义模型@ (X) myLabelScores (Mdl X)自定义函数使用训练模型Mdl和接受预测数据。
(pd1 x1) = partialDependence (@ (X) myLabelScores (Mdl X), 1, unlabeledX);(pd2 x2) = partialDependence (@ (X) myLabelScores (Mdl X), 2, unlabeledX);
你可以画出部分依赖计算值使用绘图等功能情节和酒吧。或者,您可以使用plotPartialDependence函数计算值和情节部分依赖。
创建部分依赖情节第一变量和所有类。
plotPartialDependence (@ (X) myLabelScores (Mdl X), 1, unlabeledX)包含(“unlabeledX 1变量”)ylabel (“分数”)传说(“1级”,“二班”,“3班”)
自定义函数myLabelScores
函数成绩= myLabelScores (Mdl, X)[~,分数]=预测(Mdl X);结束
输入参数
输出参数
更多关于
算法
对回归模型(RegressionMdl)和一个分类模型(ClassificationMdl),partialDependence使用一个预测函数来预测反应或分数。partialDependence选择适当的预测根据模型和运行时功能预测默认设置。对每个细节预测功能,请参见预测在接下来的两个表的功能。如果指定的模型是一个基于树模型(不包括提高合奏的树木),partialDependence使用加权算法遍历而不是预测函数。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 | 全部或紧凑的回归模型对象 | 函数来预测反应 |
|---|---|---|
| 引导聚合合奏的决策树 | CompactTreeBagger |
预测 |
| 引导聚合合奏的决策树 | TreeBagger |
预测 |
| 整体的回归模型 | RegressionEnsemble,RegressionBaggedEnsemble,CompactRegressionEnsemble |
预测 |
| 高斯核函数回归模型使用随机特性的扩张 | 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 |
| 对高维数据线性回归 | 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 |
| 万博1manbetx支持向量机 | RegressionSVM,CompactRegressionSVM |
预测 |
分类模型对象
| 模型类型 | 全部或紧凑的分类模型对象 | 函数来预测标签和分数 |
|---|---|---|
| 判别分析分类器 | ClassificationDiscriminant,CompactClassificationDiscriminant |
预测 |
| 多类支持向量机模型或其他分类器万博1manbetx | ClassificationECOC,CompactClassificationECOC |
预测 |
| 系综分类的学习者 | ClassificationEnsemble,CompactClassificationEnsemble,ClassificationBaggedEnsemble |
预测 |
| 高斯核函数分类模型使用随机特性的扩张 | 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 |
| 万博1manbetx看到下面成了一和二分类支持向量机 | ClassificationSVM,CompactClassificationSVM |
预测 |
| 二叉决策树的多类分类 | ClassificationTree,CompactClassificationTree |
预测 |
| 袋装的决策树 | TreeBagger,CompactTreeBagger |
预测 |
选择功能
plotPartialDependence计算值和情节部分依赖。还可以创建的函数个人条件期望(冰)的阴谋。
引用
[2]Hastie,特雷弗,罗伯特•Tibshirani和杰罗姆·弗里德曼。统计学习的元素。纽约纽约,纽约州:施普林格,2009年。
