partialDependence
计算部分依赖
句法
描述
PD.= partialDependence (RegressionMdl，var）PD.所列预测变量之间var以及用回归模型预测的响应RegressionMdl，其中包含预测数据。
PD.= partialDependence (ClassificationMdl，var，标签）PD.所列预测变量之间var以及所指定的类的分数标签通过使用分类模型ClassificationMdl，其中包含预测数据。
例子
计算和绘制对一个变量的部分依赖性
用。训练朴素贝叶斯分类模型fisheriris数据集，并计算部分依赖值，其显示了预测变量与预测分数之间的关系，用于多个类别。
加载fisheriris数据集，包含物种（物种）和测量（量)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。
加载fisheriris
用。训练朴素贝叶斯分类模型物种作为回应和量作为预测因素。
Mdl = fitcnb(量、种类、“PredictorNames”，[“花萼长度”，“花萼宽”，“花瓣长”，“花瓣宽度”]）;
计算被预测分数的第三个预测变量(花瓣长度)的部分依赖值MDL.所有的三个类物种．属性指定类标签一会财产MDL.．
[Pd，x] = PartialDependence（MDL，3，MDL.Classnames）;
PD包含查询点X的部分依赖值。您可以通过使用绘图功能（如）绘制计算的部分依赖值。阴谋和酒吧．阴谋PD.对x通过使用酒吧函数。
栏(x, pd)传说(Mdl.ClassNames)包含(“花瓣长”）ylabel（“分数”)标题(“部分依赖阴谋”）
根据这个模型，发生的概率virginica随花瓣长度增加。的概率setosa.大约0.33，从花瓣长度为0到2.5，然后概率下降到几乎0。
或者，您可以使用plotPartialDependence函数来计算和绘制部分依赖值。
plotPartialDependence (Mdl 3 Mdl.ClassNames)
计算和绘制多个类的两个变量的部分依赖性
培训分类模型的集合，并在两个类的两个变量上计算部分依赖值。然后绘制每个类的部分依赖值。
加载census1994数据集，其中包含美国的年薪数据，分类为< = 50 k或者> 50 k和几个人口变量。
加载census1994
从表中提取要分析的变量子集adultdata．
X = adultdata (1:50 0, {“年龄”，“workClass”，'教育_num'，'婚姻状况'，“种族”，…“性”，“capital_gain”，“capital_loss”，“hours_per_week”，“工资”}）;
利用。训练分类树的随机森林fitcensemble并指明“方法”作为“包”．为了重现性，使用使用创建的树木模板templateTree与之“复制”选择。
rng (“默认”) t = templateTree(“复制”,真正的);Mdl = fitcensemble (X,“工资”，“方法”，“包”，“学习者”t);
检查中的类名MDL.．
Mdl。ClassNames
ans =2 x1分类< = 50 k > 50 k
计算分数对预测器的部分依赖值年龄和education_num对于这两个类(< = 50 k和> 50 k）.指定要抽样的观察数为100。
(pd, x, y) = partialDependence (Mdl, {“年龄”，'教育_num'}，mdl.classnames，“NumObservationsToSample”, 100);
为第一类创建部分依赖值的表面图（< = 50 k)，使用surfl函数。
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])%修改查看角度
为第二类创建部分依赖值的表面图（> 50 k）.
图冲浪(x, y,挤压(pd(2::)))包含(“年龄”）ylabel（'教育\ _num') zlabel (' >班成绩50K')标题(“部分依赖情节”30)视图([130])%修改查看角度
这两个绘图根据类显示不同的部分依赖模式。
计算和绘制对回归多个变量的部分依赖
训练支持向量机(万博1manbetxSVM)回归模型使用carsmall数据集，并计算对两个预测变量的部分依赖。然后，创建一个图表，显示对两个变量的部分依赖，以及每个变量的直方图。
加载carsmall数据集。
加载carsmall
创建一个包含重量，气缸，位移， 和马力．
TBL =桌子（重量，气瓶，位移，马力）;
使用预测器变量列出SVM回归模型资源描述以及响应变量英里/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”，“气缸”，“标准化”,真的,…“KernelFunction”，“高斯”，“KernelScale”，“汽车”）;
计算预测响应的部分依赖性(英里/加仑)的预测变量重量和马力．属性指定要计算部分依赖性的查询点“QueryPoints”名称-值对的论点。
Numpoints = 10;PTX = Linspace（min（重量），最大（重量），numpoints）';pty = linspace（min（马力），max（马力），numpoints）';(pd, x, y) = partialDependence (Mdl, {'重量'，“马力”}，“QueryPoints”, (ptX企业]);
创建一个包含5x5平铺图表布局的图形。用。绘制对两个变量的部分依赖关系imagesc.函数。然后用。绘制每个变量的直方图柱状图函数。指定直方图的边缘，以便直方图条的中心与查询点对齐。更改坐标轴属性以对齐绘图的坐标轴。
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 = 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.指定图像图的一个像素的颜色。与图像轴线对齐的直方图显示了预测因子的分布。
输入参数
输出参数
更多关于
算法
partialDependence使用一个预测预测反应或分数的功能。partialDependence选择合适的预测根据模型(RegressionMdl或者ClassificationMdl)和运行预测使用默认设置。详细资料预测功能,请参见预测函数。如果指定的模型是基于树的模型(不包括增强的树集合)，则partialDependence采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 | 完整或紧凑的回归模型对象 | 预测反应功能 |
|---|---|---|
| 决策树集成的自举聚合 | CompactTreeBagger |
预测 |
| 决策树集成的自举聚合 | treebagger |
预测 |
| 回归模型集合 | 回归，RegressionBaggedEnsemble，CompactRegressionEnsemble |
预测 |
| 高斯核回归模型采用随机特征展开 | RegressionKernel |
预测 |
| 高斯过程回归 | RegressionGP，CompactRegressionGP |
预测 |
| 广义添加剂模型 | 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 |
| 万博1manbetx支持矢量机器 | RegressionSVM，CompactRegressionSVM |
预测 |
分类模型对象
| 模型类型 | 完整或紧凑分类模型对象 | 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类模型万博1manbetx | ClassificeCoc.，CompactClassificyCoc. |
预测 |
| 用于分类的学习者集合 | ClassificationEnsemble，CompactClassificationEnsemble，ClassificationBaggedEnsemble |
预测 |
| 高斯内核分类模型使用随机特征扩展 | ClassificationKernel |
预测 |
| 广义添加剂模型 | 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，CompactClassificaiveBayes. |
预测 |
| 神经网络分类器 | ClassIciationneuralNetwork.，CompactClassificationNeuralNetwork |
预测 |
| 万博1manbetx支持向量机的一类和二值分类 | ClassificationSVM，CompactClassificationSVM |
预测 |
| 用于多类分类的二叉决策树 | ClassificationTree，CompactClassificationTree |
预测 |
| 袋装决策树集合 | treebagger，CompactTreeBagger |
预测 |
选择功能
plotPartialDependence计算和绘制部分相关值。该函数还可以创建个人条件期望(冰)的阴谋。
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:施普林格纽约，2009。
扩展功能
另请参阅
石灰|OobpermutedPredictorimportance.|plotPartialDependence|predictorImportance (RegressionEnsemble)|predictorImportance (RegressionTree)|relieff|sequentialfs|沙普利
你也可以从以下列表中选择一个网站:
