plotPartialDependence
创建部分依赖图(PDP)和个人条件期望图(ICE)
句法
描述
plotPartialDependence (计算和绘制中列出的预测变量之间的部分依赖关系Regersionmdl.，var）var并且使用回归模型预测的响应Regersionmdl.，其中包含预测数据。
如果你指定一个变量
var，函数创建一个与变量部分相关的线图。如果你指定两个变量
var，函数创建一个与这两个变量部分相关的曲面图。
plotPartialDependence (计算和绘制中列出的预测变量之间的部分依赖关系ClassificationMdl，var，标签）var以及在标签通过使用分类模型ClassificationMdl，其中包含预测数据。
如果你指定一个变量
var还有一节课标签，函数创建指定类对变量的部分依赖关系的线图。如果你指定一个变量
var和多个课程标签，函数在一个图形上为每个类创建一个线图。如果你指定两个变量
var还有一节课标签，函数创建一个与这两个变量部分相关的曲面图。
例子
创建部分依赖情节
使用的方法训练回归树carsmall数据集，并创建一个显示特征与训练回归树中的预测响应之间关系的PDP。
加载carsmall数据集。
负载carsmall
指定重量，气缸,马力为预测变量(X),英里/加仑作为响应变量（Y)．
X =(重量、气缸、马力);Y = MPG;
使用回归树使用X和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)
绘制的线表示平均部分关系重量（标记为X1),英里/加仑（标记为Y)在训练的回归树中Mdl．这x-axis次要刻度表示唯一的值X1．
回归树查看器显示第一个决定是吗？X1小于3085.5。PDP在附近也显示出了很大的变化X1= 3085.5。树查看器根据预测变量可视化每个节点上的每个决策。可以根据的值找到多个节点X1，但确定的依赖Y在X1是不容易的。然而,plotPartialDependence图平均预测的反应X1，所以你可以清楚地看到部分依赖Y在X1．
标签X1和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”和“ResponseName”当你训练Mdl使用fitrtree．属性也可以修改轴标签XLabel.和ylabel.职能。
创建多个类的部分依赖关系图
培训一个天真的贝母分类模型fisheriris数据集，并创建一个PDP，该PDP显示了用于多个类的预测变量和预测分数（后验概率）之间的关系。
加载fisheriris数据集，包括物种(物种)及尺寸(测定)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
用。训练朴素贝叶斯分类模型物种作为响应测定为预测因子。
Mdl = fitcnb(量、种类);
创建一个预期的分数的PDPMdl所有的三个类物种对第三个预测变量X3．属性指定类标签一会的属性Mdl．
plotPartialDependence（MDL，3，MDL.Classnames）;
根据这个模型，发生的概率弗吉纳斯增加而X3．概率setosa大约0.33，从哪里来X3是0到约2.5，然后概率下降到几乎0。
创建个人条件期望图
使用生成的样本数据列出高斯过程回归模型，其中响应变量包括预测器变量之间的交互。然后，创建冰块，显示特征与每个观察的预测响应之间的关系。
生成样本预测数据X1和X2．
RNG（“默认”）重复性的％n = 200;x1 = rand（n，1）* 2-1;x2 = rand（n，1）* 2-1;
生成包含与之间的交互的响应值X1和X2．
Y = x1-2 * x1。* (x2 > 0) + 0.1 *兰德(n, 1);
创建一个高斯过程回归模型使用(x1, x2))和Y．
Mdl = fitrgp([x1 x2]，Y);
为第一个预测器创建一个包括PDP(红线)的图X1，一个散点图（圆标记）的X1和预测响应，并通过指定一组ICE图(灰色线)'条件'作为“中心”．
plotPartialDependence (Mdl 1'条件'，“中心”）
什么时候'条件'是“中心”，plotPartialDependence偏移绘图，使所有绘图从零开始，这有助于检查所选功能的累积效果。
PDP发现平均关系，因此它不会揭示隐藏的依赖关系，特别是当响应包括特性之间的交互时。然而，ICE图清楚地显示了两种不同的响应依赖关系X1．
部分相关图使用新的预测数据
培训分类模型的集合并创建两个PDP，使用培训数据集，另一个使用新的数据集。
加载census1994数据集，其中包含美国年薪数据，分类为< = 50 k或者> 50K.，以及几个人口统计变量。
负载census1994
提取一个变量子集以分析表adultdata和成年人．
x = AdultData（：，{“年龄”，'工作组'，“education_num”，“marital_status”，'种族'，．..'性别'，“capital_gain”，“capital_loss”，'每周几小时'，“工资”}）;Xnew =成人(:,{“年龄”，'工作组'，“education_num”，“marital_status”，'种族'，．..'性别'，“capital_gain”，“capital_loss”，'每周几小时'，“工资”}）;
用。训练分类器集合工资作为响应，其余变量使用函数作为预测器fitcensemble.．对于二进制分类,fitcensemble.使用汇集100个分类树LogitBoost方法。
Mdl = fitcensemble (X,“工资”）;
检查类名Mdl．
Mdl。ClassNames
ans =2x1分类< = 50 k > 50 k
创建一个部分依赖图的分数预测Mdl对于第二阶级工资（> 50K.)与预测者相反年龄使用训练数据。
plotPartialDependence (Mdl“年龄”，mdl.classnames（2））
创建一个班级成绩的PDP> 50K.对年龄使用表中新的预测器数据Xnew．
plotPartialDependence (Mdl“年龄”Xnew Mdl.ClassNames (2))
这两张图显示了预测高分的部分依赖性的相似形状工资（> 50K.)年龄．这两个地块表明，预测的高薪得分速度速度快到30岁，然后保持几乎扁平，直到60岁，然后快速下降。然而，基于新数据的曲线产生超过65岁的比分略高。
比较预测变量的重要性
训练一个回归集合使用carsmall数据集，并使用新数据集为每个预测变量创建一个PDP图和ICE图，carbig．然后，比较数字来分析预测器变量的重要性。此外，将结果与预测因素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.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;
使用训练回归集成X和Y．
Mdl = fitrensemble (X, Y,．..“PredictorNames”，{“重量”，'气瓶'，'马力'，“年”}，．..“ResponseName”，“英里”）;
通过使用使用来创建预测变量的重要性plotPartialDependence和predictorImportance职能。这plotPartialDependence函数可视化所选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括PDP图(红线)和ICE图(灰线)的图plotPartialDependence并指定'条件'，'绝对'．每个图还包括所选预测器的散点图（圆标记）和预测的响应。另外，加载carbig并将其作为新的预测数据，Xnew．当你提供Xnew， 这plotPartialDependence函数使用Xnew而不是预测的数据Mdl．
负载carbigXnew =[重量、气缸、马力,Model_Year];图t = tiledlayout(2,2，'tileespacing'，“紧凑”）;标题(t)“个人有条件期望地块”）为i = 1: 4 nexttile plotpartialdependency (Mdl,i,Xnew，'条件'，“绝对”)标题(”）结束
通过使用计算预测器重要性的估计predictorImportance．该函数对每个预测器的分裂导致的均方误差(MSE)的变化进行求和，然后除以分支节点的数量。
小鬼= predictorImportance (Mdl);图酒吧(imp)标题('预测重点估计'）ylabel（“估计”）xlabel（“预测”斧头= GCA;ax.xticklabel = mdl.predictornames;
的变量重量影响最大的是英里/加仑根据预测的重要性。PDP的重量也显示出来英里/加仑有很大的部分依赖重量．的变量气缸影响最小英里/加仑根据预测的重要性。PDP的气缸也显示出来英里/加仑是不是变化很大取决于气缸．
比较广义可加模型的部分相关性
用线性和相互作用术语训练推广添加剂模型（GAM）以获得预测器。然后，使用线性和交互术语和仅具有线性术语的PDP创建PDP。指定是否在创建PDP时包含交互术语。
加载电离层数据集。该数据集有34个预测器和351个雷达返回的二进制响应，或坏('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个最重要的交互项。
Mdl = fitcgam (X, Y,“类名”，{'B'，'G'}，“互动”10);
Mdl是A.Classificationgam.模型对象。
列出中的交互项Mdl．
Mdl。的相互作用
ans =10×21 5 7 8 6 7 5 6 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。
在交互术语中找到最常见的预测器。
模式(Mdl。相互作用,“所有”）
ans = 5
交互术语中最常见的预测器是第五预测器（X5)．为第五个预测者创建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））保持在plotPartialDependence (Mdl 5 Mdl.ClassNames (1),“IncludeInteractions”，假）网格在传奇（“线性和互动术语”，'仅线性条款')标题(“第5个预测者的后验概率pdp”)举行从
该图显示了分数(后验概率)的部分依赖性X5根据模型是否包括交互术语而变化，尤其是在哪里X5介于0.2和0.45之间。
从图中提取部分依赖估计
使用培训支持向量万博1manbetx机（SVM）回归模型carsmall数据集，并创建两个预测变量的PDP。然后，从的输出中提取部分相关估计plotPartialDependence．或者，您可以通过使用partialDependence函数。
加载carsmall数据集。
负载carsmall
指定重量，气缸，移位,马力为预测变量(TBL.)．
台=表(重量、汽缸、排量、马力);
使用SVM回归模型使用TBL.以及响应变量英里/加仑．使用带有自动核尺度的高斯核函数。
Mdl = fitrsvm (MPG(资源,“ResponseName”，“英里”，．..“CategoricalPredictors”，'气瓶'，'标准化'，真的，．..“KernelFunction”，'高斯'，“KernelScale”，“汽车”）;
创建一个PDP，可视化预测响应的部分依赖(英里/加仑)的预测变量重量和气缸．指定查询点以计算部分依赖重量通过使用“QueryPoints”名称-值对的论点。您不能指定“QueryPoints”价值气缸因为它是一个分类变量。plotPartialDependence使用所有的分类值。
pt = linspace (min(重量),max(重量),50)';ax = plotPartialDependence (Mdl, {“重量”，'气瓶'}，“QueryPoints”, {pt, []});视图(140,30)%修改查看角度
PDP显示了相互作用效果重量和气缸．部分相关英里/加仑在重量值的变化气缸．
提取的估计偏相关英里/加仑在重量和气缸．这XData，YData,ZData的值AX.Children.是X轴值（第一选择的预测值值），y轴值（第二选定的预测值值）和z轴值（相应的部分依赖值）。
xval = ax.chillren.xdata;yval = ax.children.ydata;zval = ax.children.zdata;
或者，您可以通过使用partialDependence函数。
(pd, x, y) = partialDependence (Mdl, {“重量”，'气瓶'}，“QueryPoints”, {pt, []});
PD.包含查询点的部分依赖项值x和y．
如果您指定'条件'作为“绝对”，plotPartialDependence创建一个包括PDP、散点图和一组ICE图的图形。AX.CHILDREN（1）和AX.CHILDREN（2）分别对应于PDP和散点图。其余的元素AX.Children.对应于冰块。这XData和YData的值AX.CHILDREN（I）是X轴值（所选预测值值）和Y轴值（相应的部分依赖值）。
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功能。plotPartialDependence选择适当的预测根据模型(Regersionmdl.或者ClassificationMdl）和跑步预测使用默认设置。详细资料预测功能,请参见预测以下两个表中的功能。如果指定的模型是基于树的模型（不包括树木的增强集合）和'条件'是“没有”,然后plotPartialDependence采用加权遍历算法代替预测函数。有关详细信息，请参阅加权算法遍历．
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 |
|---|---|---|
| 决策树集合的引导集合 | CompactTreeBagger |
预测 |
| 决策树集合的引导集合 | TreeBagger |
预测 |
| 回归模型的集合 | 回归，RegressionBaggedEnsemble，compactregressionensemble. |
预测 |
| 高斯内核回归模型使用随机特征扩展 | 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，Compact一项式标Model. |
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 | 回归翁网络网络，CompactRegressionNeuralNetwork |
预测 |
| 非线性回归 | 非线性模型 |
预测 |
| 回归树 | 回归植物，CompactRegressionTree |
预测 |
| 万博1manbetx支持向量机 | 回归vm.，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 | 预测标签和分数的功能 |
|---|---|---|
| 判别分析分类器 | ClassificationDiscriminant，CompactClassificationDiscriminant |
预测 |
| 支持向量机或其他分类器的多款模型万博1manbetx | ClassificationECOC，CompactClassificationECOC |
预测 |
| 用于分类的学习者集合 | 分类素..，CompactClassificationseMble，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- 最邻居模型 | ClassificationKNN |
预测 |
| 线性分类模型 | ClassificationLinear |
预测 |
| 朴素贝叶斯模型 | ClassificationniveBayes.，CompactClassificationNaiveBayes |
预测 |
| 神经网络分类器 | ClassificationNeuralNetwork，CompactClassificationneAuralKetwork. |
预测 |
| 万博1manbetx支持向量机用于单级和二进制分类 | 分类VM.，CompactClassificationsVM. |
预测 |
| 多包分类的二进制决策树 | ClassificationTree.，CompactClassificationTree |
预测 |
| 袋装决策树集合 | TreeBagger，CompactTreeBagger |
预测 |
选择功能
partialDependence在没有可视化的情况下计算部分依赖。该函数可以在一个函数调用中计算两个变量和多个类的部分依赖。
参考文献
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：春天的纽约，2001年。
扩展能力
另请参阅
石灰|oobPermutedPredictorImportance|partialDependence|预测（回归）（回归）|predictorImportance (RegressionTree)|relieff|序列|沙普利
你也可以从以下列表中选择一个网站:
