plotPartialDependence
创建部分依赖图(PDP)和个人条件期望(ICE)情节
语法
描述
plotPartialDependence (计算和情节部分中列出的预测变量之间的依赖RegressionMdl,var)var并使用回归模型预测的反应RegressionMdl,其中包含预测数据。
如果您指定一个变量
var的函数创建一条线情节部分依赖变量。如果指定两个变量
var的函数创建一个曲面图部分依赖两个变量。
plotPartialDependence (计算和情节部分中列出的预测变量之间的依赖ClassificationMdl,var,标签)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。
如果您指定一个变量
var的函数创建一条线情节部分依赖对每个类的变量标签。如果指定两个变量
var的函数创建一个曲面图部分依赖两个变量。您必须指定一个类标签。
plotPartialDependence (计算和情节部分中列出的预测变量之间的依赖有趣的,var,数据)var和返回的输出自定义模型有趣的使用预测数据数据。
如果您指定一个变量
var的函数创建一条线情节部分依赖的变量为每个列返回的输出有趣的。如果指定两个变量
var的函数创建一个曲面图部分依赖两个变量。当你指定两个变量,有趣的必须返回一个列向量或者你必须指定使用哪个输出列通过设置OutputColumns名称-值参数。
例子
创建部分依赖情节
回归树使用训练carsmall数据集,并创建一个PDP显示之间的关系特性,预测反应训练回归树。
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;
火车回归树使用X和Y。
Mdl = fitrtree (X, Y);
查看训练回归树的图形化显示。
视图(Mdl,“模式”,“图”)
创建一个PDP的第一个预测变量,重量。
plotPartialDependence (Mdl, 1)
绘制线代表平均部分之间的关系重量(标记为x1),英里/加仑(标记为Y)训练回归树Mdl。的x设在小蜱虫代表的惟一值x1。
回归树查看器显示第一个决定是否x1小于3085.5。PDP显示附近的一个大变化x1= 3085.5。每个节点的树查看器可视化每个决策基于预测变量。你可以找到几个节点分裂值的基础上x1,但确定的依赖Y在x1是不容易的。然而,plotPartialDependence土地平均预测反应x1,所以你可以清楚地看到的部分依赖Y在x1。
标签x1和Y的默认值预测的名字和响应的名字。您可以修改这些名称通过指定名称参数PredictorNames和ResponseName当你训练Mdl使用fitrtree。您还可以通过修改轴标签包含和ylabel功能。
为多个类创建部分依赖图
朴素贝叶斯分类模型的训练fisheriris数据集,并创建一个PDP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);
创建一个PDP的评分预测Mdl所有的三个类物种针对第三个预测变量x3。通过使用指定的类标签一会的属性Mdl。
plotPartialDependence (Mdl 3 Mdl.ClassNames);
根据这个模型,的概率virginica增加而x3。的概率setosa约为0.33,从哪里x3的概率是0到2.5左右,然后降到几乎为0。
创建个人条件期望的情节
火车一个高斯过程回归模型使用生成的样本数据,响应变量包括预测变量之间的相互作用。然后,创建冰情节显示特性之间的关系为每个观测和预测的反应。
生成样本预测数据x1和x2。
rng (“默认”)%的再现性n = 200;x1 =兰德(n - 1) * 2 - 1;x2 =兰德(n - 1) * 2 - 1;
生成响应值,包括之间的相互作用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);
创建一个图包括一个PDP(红线)第一个预测x1散点图(圆圈标记)x1并预测反应,和一组冰情节(灰色行)通过指定有条件的为“为中心”。
plotPartialDependence (Mdl 1“条件”,“中心”)
当有条件的是“为中心”,plotPartialDependence补偿情节,使所有情节从0开始,这有助于检查所选特征的累积效应。
PDP发现平均关系,所以没有发现隐藏的依赖关系特别是反应包括特性之间的相互作用。然而,冰情节清楚显示两种不同的依赖关系的反应x1。
使用新的预测数据部分依赖情节
训练分类模型和创建两个pdp的合奏,一个使用训练数据集,另一个使用新的数据集。
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和成人。
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”]);
训练一个分类器工资作为反应,其余变量预测使用的功能fitcensemble。对于二进制分类,fitcensemble总量100分类树使用LogitBoost方法。
Mdl = fitcensemble (X,“工资”);
检查的类名Mdl。
Mdl.ClassNames
ans =2 x1分类< = 50 k > 50 k
创建一个部分依赖成绩预测的情节Mdl的第二课堂工资(> 50 k对预测)年龄使用训练数据。
plotPartialDependence (Mdl“年龄”Mdl.ClassNames (2))
创建一个分数的PDP类> 50 k对年龄从表中使用新的预测数据Xnew。
plotPartialDependence (Mdl“年龄”Xnew Mdl.ClassNames (2))
两个情节显示类似形状的部分依赖预测分数高工资(> 50 k)年龄。两个图表明,预测分数高的工资快速上涨,直到30岁,然后保持几乎不变直到60岁,然后迅速下降。然而,情节基于新的数据产生较高分数超过65岁。
指定模型使用函数处理
创建一个PDP分析预测和异常分数之间的关系isolationForest对象。你不能通过isolationForest直接对象plotPartialDependence函数。相反,定义一个自定义函数,返回异常分数为对象,然后通过函数plotPartialDependence。
1994年的人口普查数据加载存储census1994.mat。数据集由美国人口普查局的人口数据。
负载census1994
census1994包含两个数据集adultdata和成人。
火车一个隔离森林模型成人。这个函数iforest返回一个IsolationForest对象。
rng (“默认”)%的再现性Mdl = iforest(成人);
定义自定义函数myAnomalyScores,它返回的异常分数的计算isanomaly的函数IsolationForest;自定义函数定义出现在这个例子的结束。
创建一个PDP的异常分数对变量年龄为成人数据集。plotPartialDependence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@(台)myAnomalyScores (Mdl(资源)自定义函数使用训练模型Mdl和接受预测数据。
plotPartialDependence(@(台)myAnomalyScores (Mdl(资源),“年龄”、成人)包含(“年龄”)ylabel (“异常分数”)
自定义函数myAnomalyScores
函数成绩= myAnomalyScores (Mdl(资源)[~,分数]= isanomaly (Mdl(资源);结束
比较预测变量的重要性
火车回归整体使用carsmall数据集,并创建一个PDP情节和冰情节为每个预测变量使用一个新的数据集,carbig。然后,比较数据分析预测变量的重要性。另外,比较预测的结果与估计返回的重要性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;
火车回归整体使用X和Y。
Mdl = fitrensemble (X, Y,…“PredictorNames”,(“重量”,“气缸”,“马力”,“模型”),…“ResponseName”,“英里”);
创建通过使用预测变量的重要性plotPartialDependence和predictorImportance功能。的plotPartialDependence函数可视化选择预测和预测反应之间的关系。predictorImportance总结了与一个值预测的重要性。
创建一个图包括一个PDP情节(红色线)和冰情节为每个预测使用(灰色行)plotPartialDependence并指定”条件”、“绝对”。每个图还包括一个散点图(圆圈标记)选择的预测和预测反应。同时,加载carbig数据集和使用它作为新的预测数据,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)“个人条件期望的阴谋”)为i = 1: 4 nexttile plotPartialDependence (Xnew Mdl,我,“条件”,“绝对”)标题(”“)结束
计算估计预测重要的用predictorImportance。这个函数和均方误差(MSE)的变化将在每一个预测,分裂,然后把和分支节点的数量。
小鬼= predictorImportance (Mdl);图酒吧(imp)标题(“预测重要性估计”)ylabel (“估计”)包含(“预测”甘氨胆酸)ax =;斧子。XTickLabel = Mdl.PredictorNames;
的变量重量最影响吗英里/加仑根据预测的重要性。PDP的重量也表明,英里/加仑具有较高的部分依赖重量。的变量气缸至少影响了吗英里/加仑根据预测的重要性。PDP的气缸也表明,英里/加仑不会改变取决于多少气缸。
比较广义相加模型的部分依赖
火车一个广义相加模型(GAM)与线性预测和交互方面。然后,创建一个PDP线性和交互条款和PDP只有线性的条件。指定是否要包括交互创建pdp时。
加载电离层数据集。这个数据集有34个预测因子和351二进制响应雷达回报,要么坏(“b”)或好(‘g’)。
负载电离层
使用预测训练GAMX和类标签Y。推荐的做法是指定类名。指定包含10个最重要的互动。
Mdl = fitcgam (X, Y,“类名”,{“b”,‘g’},“互动”10);
Mdl是一个ClassificationGAM模型对象。
交互术语列表Mdl。
Mdl.Interactions
ans =10×21 5 6 7 8 6 7 5 5 7 5 8 3 5 4 7 1 7 4 5
每一行的的相互作用代表一个交互术语和包含的列索引的预测变量的交互项。
在交互方面找到最常见的预测。
模式(Mdl.Interactions,“所有”)
ans = 5
最常见的预测在交互方面是5日预测(x5)。为第五预测创建pdp。排除交互方面的计算,指定“IncludeInteractions”,假对于第二个PDP。
plotPartialDependence (Mdl 5 Mdl.ClassNames (1))在plotPartialDependence (Mdl 5 Mdl.ClassNames (1),“IncludeInteractions”假)网格在传奇(“线性和交互条款”,只“线性”)标题(“第五预测pdp的后验概率”)举行从
情节表明,部分依赖的分数(后验概率)x5不同取决于模型包括交互方面,尤其是在哪里x5在0.2和0.45之间。
从图中提取部分依赖估计
训练支持向量机(万博1manbetxSVM)回归模型使用carsmall数据集,并创建两个预测变量的PDP。然后,提取局部估计的输出的依赖plotPartialDependence。另外,您可以通过使用部分依赖值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);
构建一个支持向量机回归模型使用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”);
创建一个可视化的PDP部分依赖预测响应(英里/加仑在预测变量)重量和气缸。指定查询点计算部分依赖重量通过使用QueryPoints名称-值参数。你不能指定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)%修改视角
PDP显示之间的相互影响重量和气缸。的部分依赖英里/加仑在重量根据价值的变化气缸。
提取估计部分依赖英里/加仑在重量和气缸。的XData,YData,ZData的值ax.Children轴值(第一个选择的预测值),轴值(第二选择的预测值),和z轴的值(值)对应的部分依赖,分别。
xval = ax.Children.XData;yval = ax.Children.YData;zval = ax.Children.ZData;
另外,您可以通过使用部分依赖值partialDependence函数。
(pd, x, y) = partialDependence (Mdl, (“重量”,“气缸”),“QueryPoints”,{pt, []});
pd包含部分依赖查询点的值x和y。
如果您指定有条件的为“绝对的“,plotPartialDependence创建一个图包括PDP,散点图,和一组冰情节。ax.Children (1)和ax.Children (2)分别对应于PDP和散点图。其余的元素ax.Children对应冰情节。的XData和YData的值ax.Children(我)轴值(选择的预测值)和轴的值(值)对应的部分依赖,分别。
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),plotPartialDependence使用一个预测函数来预测反应或分数。plotPartialDependence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)有条件的是“没有”,然后plotPartialDependence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
partialDependence没有可视化计算部分依赖。函数可以计算部分依赖两个变量和一个函数调用多个类。
引用
[3]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,2001年。
