绘图竞争依赖性

创建部分依赖图(PDP)和个人条件期望图(ICE)

页面上倒塌

语法

PlotPartialDependence（MDL，var）

plotPartialDependence (Mdl、var、标签)

plotPartialDependence（___，数据）

plotPartialDependence（___，名称，价值）

AX = PlotPartialDependence（___）

描述

例子

plotPartialDependence（Mdl那vars.）计算并绘制列出的预测变量之间的部分依赖性vars.以及用回归模型预测的响应Mdl，其中包含预测数据。

如果指定一个变量vars.，该函数创建对变量的部分依赖的线曲线。
如果你指定两个变量vars.，该函数创建针对两个变量的部分依赖的表面图。

例子

plotPartialDependence（Mdl那vars.那标签）计算并绘制列出的预测变量之间的部分依赖性vars.以及在标签通过使用分类模型Mdl，其中包含预测数据。

如果指定一个变量vars.和一个课程标签，该函数创建针对指定类的变量的部分依赖的线图。
如果指定一个变量vars.和多个班级标签，该函数为一个数字为每个类创建一个线绘图。
如果你指定两个变量vars.和一个课程标签，该函数创建针对两个变量的部分依赖的表面图。

例子

plotPartialDependence（___那数据）使用新的预测器数据数据．您可以指定数据除了前面语法中的任何输入参数组合之外。

例子

plotPartialDependence（___那名称，价值）使用一个或多个名称值对参数指定的其他选项。例如，如果您指定“有条件的”,“绝对”,绘图竞争依赖性函数创建一个图形，其中包括PDP，所选预测变量和预测响应或分数的散点图，以及每个观测的ICE图。

例子

斧头= plotPartialDependence (___）返回情节的轴线。

例子

全部折叠

创建部分相关图

打开生活的脚本

使用的方法训练回归树Carsmall.数据集，并创建一个PDP，该PDP显示特征和经过训练的回归树中的预测响应之间的关系。

加载Carsmall.数据集。

负载Carsmall.

指定重量那气瓶,马力为预测变量(X），和MPG.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。

查看（MDL，“模式”那'图形'）

创建第一个预测变量的PDP，重量．

plotPartialDependence (Mdl, 1)

这条标绘线代表了两者之间的平均部分关系重量（标记为x1）和MPG.（标记为y)在训练的回归树中Mdl. 这个X-轴次刻度表示中的唯一值x1．

回归树查看器显示第一个决定是x1小于3085.5。PDP还显示了附近的大变化x1= 3085.5。树查看器根据预测器变量在每个节点处可视化每个节点的每个决定。您可以找到基于值的几个节点x1，但确定依赖y在x1不简单。然而绘图竞争依赖性绘图平均预测反应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'responsebame'当你训练Mdl使用fitrtree.．您还可以使用轴标签来修改轴标签XLabel.和伊拉贝尔功能。

为多个类创建部分依赖性绘图

打开生活的脚本

用。训练朴素贝叶斯分类模型渔民数据集，并创建一个PDP，显示预测变量和多个类别的预测分数（后验概率）之间的关系。

加载渔民数据集，包括物种(物种)及尺寸(量）萼片长度，萼片宽度，花瓣长度和花瓣宽度为150鸢尾标本。数据集包含来自三种种类中的每一个的50个标本：Setosa，Versicolor和Virginica。

负载渔民

培训一个天真的贝叶斯分类模型物种作为响应量为预测因子。

MDL = FITCNB（MEAS，物种）;

创建一个PDP的分数预测Mdl对于所有三个课程物种对阵第三预测变量x3．通过使用该标签来指定类标签Classnames.的属性Mdl．

plotPartialDependence (Mdl 3 Mdl.ClassNames);

根据该模型，概率弗吉尼亚州增加x3. 发生的概率setosa从哪里约0.33x3是0到2.5左右，然后概率下降到几乎0。

创建个人有条件期望地块

打开生活的脚本

使用生成的样本数据训练高斯过程回归模型，其中响应变量包括预测变量之间的交互作用。然后，创建ICE图，显示每个观测的特征和预测响应之间的关系。

生成样本预测器数据x1和x2．

RNG（'默认'）重复性的％n = 200;x1 =兰德(n - 1) * 2 - 1;x2 =兰德(n - 1) * 2 - 1;

生成响应值，包括之间的交互x1和x2．

y = x1-2 * x1。*（x2> 0）+ 0.1 * rand（n，1）;

使用Gaussian进程回归模型[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的散点图（圆形标记）x1并预测响应，并通过指定进行一组冰块（灰线）“条件”作为'中心'．

plotPartialDependence (Mdl 1“条件”那'中心'）

什么时候“条件”是'中心'那绘图竞争依赖性偏移图，使所有图从零开始，这有助于检查所选特征的累积效应。

PDP找到平均的关系，因此它不会透露隐藏的依赖项，特别是当响应包括特征之间的交互时。然而，冰块清楚地表明了两个不同的回应依赖性x1．

部分相关图使用新的预测数据

打开生活的脚本

训练分类模型的集合并创建两个pdp，一个使用训练数据集，另一个使用新数据集。

加载人口普查1994.数据集，其中包含美国的年薪数据，分类为<= 50K.或> 50 k，以及一些人口统计学变量。

负载人口普查1994.

从表中提取要分析的变量子集AdultData.和成人测试．

X = adultdata (: {'年龄'那“workClass”那“education_num”那“marital_status”那“种族”那......“性”那'资本收益'那'capital_loss'那“每周小时数”那'薪水'}）;xnew = Adulttest（：，{'年龄'那“workClass”那“education_num”那“marital_status”那“种族”那......“性”那'资本收益'那'capital_loss'那“每周小时数”那'薪水'}）;

用。训练分类器集合薪水作为响应，其余变量使用函数作为预测器fitcensemble．对于二进制分类，fitcensemble使用Logitboost.方法。

mdl = fitcensemble（x，'薪水'）;

检查类名Mdl．

mdl.classnames.

ans =.2×1分类<= 50k> 50k

创建所预测的分数的部分依赖关系图Mdl第二类薪水（> 50 k）反对预测指标年龄使用培训数据。

plotPartialDependence（MDL，'年龄'Mdl.ClassNames (2))

为类创建一个分数的PDP> 50 k反对年龄使用来自表的新预测仪数据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薪水（> 50 k）在年龄. 这两个曲线图都表明，高薪的预测分数在30岁之前快速上升，然后在60岁之前几乎保持不变，然后快速下降。然而，根据新数据绘制的曲线图显示，65岁以上的人得分略高。

比较预测变量的重要性

打开生活的脚本

使用培训回归的集合Carsmall.数据集，并使用新数据集为每个预测变量创建PDP绘图和冰块，CARBIG.. 这个n, compare the figures to analyze the importance of predictor variables. Also, compare the results with the estimates of predictor importance returned by the预测的重要性函数。

加载Carsmall.数据集。

负载Carsmall.

指定重量那气瓶那马力,model_year.为预测变量(X），和MPG.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”那“汽缸”那“马力”那'模型年'},......'responsebame'那'mpg'）;

通过使用绘图竞争依赖性和预测的重要性功能。的绘图竞争依赖性函数可视化所选预测值和预测响应之间的关系。预测的重要性总结预测器具有单个值的重要性。

为每个预测器创建一个包括PDP图(红线)和ICE图(灰线)的图绘图竞争依赖性并指定“有条件的”,“绝对”．每个图还包括一个散点图(圆圈标记)的选定预测器和预测响应。同时,加载CARBIG.数据集并将其用作新的预测器数据，XNew.．当你提供XNew.,绘图竞争依赖性功能使用XNew.而不是中的预测数据Mdl．

负载CARBIG.Xnew =[重量、气缸、马力,Model_Year];图t = tiledlayout(2,2，“瓦莱斯帕奇”那'袖珍的'）;标题（T，“个体条件期望图”）为i = 1：4 nextdile plotpartialdendence（mdl，i，xnew，“条件”那“绝对”） 标题（＇＇）结尾

计算通过使用计算预测的预测值估计预测的重要性．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。

Imp = predictorimportance（mdl）;图酒吧（IMP）标题（“预测重要性估计”) ylabel (“估计”)包含('预测者') ax = gca;斧子。XTickLabel = Mdl.PredictorNames;

变量重量对最有影响力MPG.根据预测的重要性。PDP的重量也表明,MPG.高度依赖于重量. 这个variable气瓶影响最小MPG.根据预测的重要性。PDP的气瓶也表明,MPG.取决于气瓶．

从图中提取部分依赖估计

打开生活的脚本

训练支持向量机(万博1manbetxSVM)回归模型使用Carsmall.数据集，并为两个预测变量创建PDP。然后，从输出中提取部分依赖估计值绘图竞争依赖性．或者，您可以通过使用来获得部分依赖值部分竞争函数。

加载Carsmall.数据集。

负载Carsmall.

指定重量那气瓶那取代,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和响应变量MPG.．使用具有自动内核刻度的高斯内核功能。

mdl = fitrsvm（tbl，mpg，'responsebame'那'mpg'那......'pationoricalpricictors'那“汽缸”那'标准化',真的,......'骨箱'那“高斯”那'kernelscale'那'汽车'）;

创建一个PDP，可视化预测响应的部分依赖(MPG.）在预测器变量上重量和气瓶. 指定要计算其部分相关性的查询点重量通过使用'querypoints'名称-值对的论点。您不能指定'querypoints'价值气瓶因为它是一个分类变量。绘图竞争依赖性使用所有分类值。

Pt = Linspace（min（重量），最大（重量），50）';AX = PlotPartialDependence（MDL，{“重量”那“汽缸”},'querypoints'，{pt，[]}）;查看（140,30）％修改视角

PDP显示了两者之间的相互作用效应重量和气瓶. 这个P.artial dependence ofMPG.在重量根据价值而变化气瓶．

提取估计的部分依赖MPG.在重量和气瓶. 这个XData那ydata.,Zdata.价值斧子。Children分别是x轴值（第一个选定的预测值）、y轴值（第二个选定的预测值）和z轴值（对应的部分相关性值）。

xval = ax.Children.XData;yval = ax.Children.YData;zval = ax.Children.ZData;

或者，您可以通过使用来获得部分依赖值部分竞争函数。

[PD，X，Y] = PartialDependence（MDL，{“重量”那“汽缸”},'querypoints'，{pt，[]}）;

pd包含查询点的部分依赖值X和y．

如果您指定“条件”作为“绝对”那绘图竞争依赖性创建包括PDP，散点图和一组冰块的图。ax.Children (1)和ax.Children (2)分别对应于PDP和散点图。剩余的元素斧子。Children对应ICE图。的XData和ydata.价值ax.Children(我)分别是x轴值（选定的预测值）和y轴值（相应的部分相关性值）。

输入参数

全部折叠

`Mdl`-机器学习模型
回归模型对象|分类模型对象

机器学习模型，指定为完整或紧凑的回归或分类模型对象，如下表的支持模型中给出。万博1manbetx

回归模型对象

模型	完整或紧凑的回归模型对象
决策树集成的Bootstrap聚合	`TreeBagger`那`CompactTreeBagger.`
回归模型集成	`RegressionEnsemble`那`回归释迦缩短`那`CompactRegressionEnsemble`
高斯内核回归模型使用随机特征扩展	`回归科内尔`
高斯过程回归	`回归方程`那`CompactregressionGP.`
广义线性混合效应模型	`GeneralizeLmixedModel.`
广义线性模型	`GeneralizedLinearModel`那`紧致广义线性模型`
线性混合效应模型	`linearmixedmodel.`
线性回归	`linearmodel.`那`紧凑线性模型`
线性回归用于高维数据	`回归线性`
非线性回归	`NonLinearModel`
回归树	`回归树`那`Compactregressiontree.`
万博1manbetx支持向量机回归	`回归vm.`那`压缩回归`

分类模型对象

模型	完整或紧凑分类模型对象
判别分析分类器	`分类Discriminant.`那`CompactClassificationDiscriminant.`
支持向量机或其他分类器的多类模型万博1manbetx	`ClassificationECOC`那`CompactClassificationECOC`
学习者的集体融合	`分类符号`那`压缩分类插入码`那`分类BaggedAssemble`
高斯核分类模型使用随机特征展开	`分类核`
K.最近的邻居分类器	`ClassificationKnn.`
线性分类模型	`分类线性`
多类朴素贝叶斯模型	`分类朴素贝叶斯`那`CompactClassificationNaiveBayes`
万博1manbetx支持向量机器分类器进行单级和二进制分类	`分类VM.`那`CompactClassificationSVM`
用于多类分类的二叉决策树	`分类树`那`CompactClassificationTree.`
袋装决策树的合奏	`TreeBagger`那`CompactTreeBagger.`

如果Mdl是一个紧凑的模型对象，您必须提供输入参数数据．

绘图竞争依赖性不支持具有稀疏矩阵万博1manbetx训练的模型对象。当您培训模型时，使用完整的数字矩阵或表格，用于预测数据，其中行对应各个观察。

`vars.`-预测变量
正整数向量|字符向量|字符串标量|字符串数组|字符向量的单元格阵列

预测变量，指定为正整数的向量，字符向量，字符串标量，字符串数组或字符向量的单元数组。您可以指定一个或两个预测器变量，如下表所示。

一个预测变量

价值	描述
正整数	对应于预测器数据列的索引值。
字符矢量或字符串标量	预测变量的名称。名称必须与输入的条目匹配`Mdl。PredictorNames`．

两个预测变量

价值	描述
两个正整数的向量	对应于预测器数据列的索引值。
字符串阵列或字符向量的单元数组	预测变量的名称。数组中的每个元素都是一个预测变量的名称。名称必须与里面的条目相匹配`Mdl。PredictorNames`．

例子：{'x1'，'x3'}

数据类型：单|双倍的|char|细绳|细胞

`标签`-类标签
分类阵列|字符阵列|逻辑矢量|数字矢量|字符向量的单元格阵列

类标签，指定为类别或字符数组、逻辑或数字向量或字符向量的单元格数组。中的值和数据类型标签必须匹配类名中的类名Classnames.的属性Mdl（mdl.classnames.）。

只有在指定一个变量时，才能指定多个类标签vars.并指定“条件”作为'没有任何'（默认）。
使用部分竞争如果要在一个函数调用中计算多个变量和多个类标签的部分依赖项。

此参数仅在何时有效Mdl是一个分类模型对象。

例子：{“红”、“蓝”}

例子：mdl.classnames.（[13])指定标签作为学校的第一和第三课堂Mdl．

数据类型：单|双倍的|逻辑|char|细胞|绝对的

`数据`-预测数据
数字矩阵|表格

预测数据，指定为数字矩阵或表。每一排数据对应于一个观察，并且每列对应于一个变量。

数据必须与培训的预测数据一致Mdl，存储在一个Mdl。X或变量．

如果你训练Mdl然后使用数字矩阵数据必须是一个数值矩阵。组成列的变量数据必须有相同的数量和顺序的预测变量训练Mdl．
如果你训练Mdl使用表格（例如，Tbl），然后数据必须是一张桌子。所有预测因子变量数据必须具有与名称和类型相同的变量名称和数据类型Tbl. 但是，的列顺序数据不需要对应于列顺序Tbl．
绘图竞争依赖性不支持稀疏矩阵。万博1manbetx

如果Mdl是一个紧凑的模型对象，您必须提供数据．如果Mdl是包含预测器数据的完整模型对象，如果指定此参数，则绘图竞争依赖性不使用预测器数据Mdl并使用数据只要。

数据类型：单|双倍的|表格

名称值对参数

指定可选的逗号分离对名称，价值论据。名称参数名和价值为对应值。名称必须出现在引号内。可以以任意顺序指定多个名称和值对参数名称1，值1，…，名称，值．

例子：plotPartialDependence (Mdl、var、数据“NumObservationsToSample”,100年,“UseParallel”,真的)通过使用100个采样的观察来创建PDP数据和执行为- 并行迭代。

`“条件”`-绘图类型
`'没有任何'`（默认）|`“绝对”`|`'中心'`

打印类型，指定为逗号分隔对，由“条件”和'没有任何'那“绝对”,或'中心'．

价值描述

价值	描述
`'没有任何'`	`绘图竞争依赖性`创建一个PDP。图的类型取决于中指定的预测变量的数量`vars.`以及指定的类标签数`标签`(用于分类模型)。一个预测变量和一个类标签 -`绘图竞争依赖性`计算查询点处的部分相关性，并创建部分相关性的二维线形图。一个预测变量和多级标签 -`绘图竞争依赖性`为选定类别创建一个包含多个二维线图的地物。两个预测变量和一个类标签-`绘图竞争依赖性`创建部分依赖于两个变量的曲面图。
`“绝对”`	`绘图竞争依赖性`创建一个图，包括以下三种类型的绘图：有红线的PDP 将所选预测器变量的散点图和预测的响应或分数与圆标记用灰色线绘制每次观测的冰图当您只选择一个预测器变量时，此值有效`vars.`和一个类标签`标签`(用于分类模型)。
`'中心'`	`绘图竞争依赖性`创建一个图形，包括相同的三种类型的情节`“绝对”`. 这个Function offsets plots so that all plots start from zero. 当您只选择一个预测器变量时，此值有效`vars.`和一个类标签`标签`(用于分类模型)。

'没有任何'

绘图竞争依赖性创建一个PDP。图的类型取决于中指定的预测变量的数量vars.以及指定的类标签数标签(用于分类模型)。

一个预测变量和一个类标签 -绘图竞争依赖性计算查询点处的部分相关性，并创建部分相关性的二维线形图。
一个预测变量和多级标签 -绘图竞争依赖性为选定类别创建一个包含多个二维线图的地物。
两个预测变量和一个类标签-绘图竞争依赖性创建部分依赖于两个变量的曲面图。

“绝对”

绘图竞争依赖性创建一个图，包括以下三种类型的绘图：

有红线的PDP
将所选预测器变量的散点图和预测的响应或分数与圆标记
用灰色线绘制每次观测的冰图

当您只选择一个预测器变量时，此值有效vars.和一个类标签标签(用于分类模型)。

'中心'

绘图竞争依赖性创建一个图形，包括相同的三种类型的情节“绝对”. 这个Function offsets plots so that all plots start from zero.

当您只选择一个预测器变量时，此值有效vars.和一个类标签标签(用于分类模型)。

例子：“有条件的”,“绝对”

`“NumObservationsToSample”`-观察样本的数量
观察总数（默认）|正整数

样本的观察次数，指定为逗号分隔的对“NumObservationsToSample”一个正整数。默认值是两种方法的总观测数Mdl或数据．如果您指定大于总观察的数量的值，那么绘图竞争依赖性使用所有的观察。

绘图竞争依赖性样本观察，没有替换使用datasample函数，并使用采样的观察值来计算部分相关性。

绘图竞争依赖性在采样观测的唯一值下显示次要刻度标记。

如果您指定“条件”或者“绝对”或'中心'那绘图竞争依赖性创建一个图，包括每个采样观察的冰绘图。

例子：“NumObservationsToSample”,100年

数据类型：单|双倍的

`“父”`-轴的轴
`gca`（默认）|轴对象

要绘图的轴，指定为逗号分隔对，由“父”和一个轴对象。如果您没有指定轴，那么当前轴是笛卡尔，那么绘图竞争依赖性使用当前坐标轴(gca）。如果轴不存在，绘图竞争依赖性在一个新图中的情节。

例子：'父母'，斧头

`'querypoints'`-指数计算部分依赖
数字列向量|数字两列矩阵|两个数字列向量的单元阵列

用于计算数值预测器的部分依赖性的点，指定为逗号分隔对，由'querypoints'和数字列向量，数字两列矩阵或两个数字列向量的单元阵列。

如果在中选择一个预测变量vars.，使用数字列向量。
如果你选择两个预测变量vars.：
- 使用数字两列矩阵指定每个预测变量的相同数量的点。
- 使用由两个数字列向量组成的单元格数组为每个预测器变量指定不同数量的点。

默认值是数字列向量或数字两列矩阵，具体取决于所选预测器变量的数量。每个列包含在对应预测器变量的采样观测的最小值和最大值之间的100个均匀间隔点。

如果“条件”是“绝对”或'中心'，然后软件将预测数据值(数据或预测数据Mdl)的选择预测器。

你不能修改'querypoints'对于一个分类变量。这个绘图竞争依赖性函数使用所选变量中的所有分类值。

如果选择一个数值变量和一个分类变量，则可以指定'querypoints'通过使用由数字列向量和空数组组成的单元格数组来获取数值变量。

例子：'查询点'，{pt，[]}

数据类型：单|双倍的|细胞

`“UseParallel”`-旗帜并行运行
`假`（默认）|`真正的`

并行运行的标志，指定为逗号分隔对，由“UseParallel”和真正的或假．如果您指定“UseParallel”作为真正的,绘图竞争依赖性函数执行为使用议案预测每次观察的反应或分数并取平均值时。

例子：“UseParallel”,真的

数据类型：逻辑

输出参数

全部折叠

`斧头`-情节的轴线
轴对象

绘图的轴，作为轴对象返回。有关如何修改轴的外观并从图中提取数据的详细信息，请参阅轴的外观和从图中提取部分依赖估计．

算法

绘图竞争依赖性用A.预测功能预测响应或分数。绘图竞争依赖性选择适当的预测根据函数Mdl和跑步预测有其默认设置。有关每个人的详细信息预测函数，见预测以下两个表中的功能。如果Mdl是一种基于树的模型（不包括树木的升级的集成）和“条件”是'没有任何',然后绘图竞争依赖性使用加权遍历算法而不是预测函数。有关详细信息,请参见加权遍历算法．

回归模型对象

模型类型	完整或紧凑的回归模型对象	预测响应的功能
决策树集成的Bootstrap聚合	`CompactTreeBagger.`	`预测`
决策树集成的Bootstrap聚合	`TreeBagger`	`预测`
回归模型集成	`RegressionEnsemble`那`回归释迦缩短`那`CompactRegressionEnsemble`	`预测`
高斯内核回归模型使用随机特征扩展	`回归科内尔`	`预测`
高斯过程回归	`回归方程`那`CompactregressionGP.`	`预测`
广义线性混合效应模型	`GeneralizeLmixedModel.`	`预测`
广义线性模型	`GeneralizedLinearModel`那`紧致广义线性模型`	`预测`
线性混合效应模型	`linearmixedmodel.`	`预测`
线性回归	`linearmodel.`那`紧凑线性模型`	`预测`
线性回归用于高维数据	`回归线性`	`预测`
非线性回归	`NonLinearModel`	`预测`
回归树	`回归树`那`Compactregressiontree.`	`预测`
万博1manbetx支持向量机回归	`回归vm.`那`压缩回归`	`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	`分类Discriminant.`那`CompactClassificationDiscriminant.`	`预测`
支持向量机或其他分类器的多类模型万博1manbetx	`ClassificationECOC`那`CompactClassificationECOC`	`预测`
学习者的集体融合	`分类符号`那`压缩分类插入码`那`分类BaggedAssemble`	`预测`
高斯核分类模型使用随机特征展开	`分类核`	`预测`
K.最近的邻居分类器	`ClassificationKnn.`	`预测`
线性分类模型	`分类线性`	`预测`
多类朴素贝叶斯模型	`分类朴素贝叶斯`那`CompactClassificationNaiveBayes`	`预测`
万博1manbetx支持向量机器分类器进行单级和二进制分类	`分类VM.`那`CompactClassificationSVM`	`预测`
用于多类分类的二叉决策树	`分类树`那`CompactClassificationTree.`	`预测`
袋装决策树的合奏	`TreeBagger`那`CompactTreeBagger.`	`预测`

替代功能

部分竞争计算不可视化的部分依赖性。该函数可以在一次函数调用中计算两个变量和多个类的部分依赖关系。

参考

[1]弗里德曼，杰罗姆。H.“贪婪函数近似：梯度升压机。”统计史29，不。5（2001）：1189-1232。

[2] Goldstein，Alex，Adam Kapelner，Justin Bleich和Emil Pitkin。“偷看黑匣子里面：用个人有条件期望的情节可视化统计学习。”中国计算与图形统计学报24日,没有。1(2015年1月2日):44-65。

[3] Hastie，Trevor，Robert Tibshirani和Jerome Friedman。统计学习的要素。纽约，纽约:施普林格纽约，2001。

扩展能力

自动并行支持万博1manbetx
通过使用并行计算工具箱™并行运行计算来加速代码。

要并行运行，请设置“UseParallel”选项真正的．

设定“UseParallel”,真的对此函数调用中的名称值对参数。

有关并行计算的更多通用信息，请参见运行MATLAB函数与自动并行支持万博1manbetx（并行计算工具箱）．

GPU阵列
使用并行计算工具箱™在图形处理单元(GPU)上运行加速代码。

使用说明和限制：

该函数完全支持指定为的回归模型的GPU阵万博1manbetx列linearmodel.那紧凑线性模型那GeneralizedLinearModel,或紧致广义线性模型目的。
这个函数支持万博1manbetxlinearmodel.那紧凑线性模型那GeneralizedLinearModel,紧致广义线性模型对象配有GPU阵列输入参数。

有关更多信息，请参阅在GPU上运行matlab函数（并行计算工具箱）．

也可以看看

话题

特征选择简介

在R2017B中介绍

绘图竞争依赖性

语法

描述

例子

创建部分相关图

为多个类创建部分依赖性绘图

创建个人有条件期望地块

部分相关图使用新的预测数据

比较预测变量的重要性

从图中提取部分依赖估计

输入参数

`Mdl`-机器学习模型
回归模型对象|分类模型对象

`vars.`-预测变量
正整数向量|字符向量|字符串标量|字符串数组|字符向量的单元格阵列

`标签`-类标签
分类阵列|字符阵列|逻辑矢量|数字矢量|字符向量的单元格阵列

`数据`-预测数据
数字矩阵|表格

名称值对参数

`“条件”`-绘图类型
`'没有任何'`（默认）|`“绝对”`|`'中心'`

`“NumObservationsToSample”`-观察样本的数量
观察总数（默认）|正整数

`“父”`-轴的轴
`gca`（默认）|轴对象

`'querypoints'`-指数计算部分依赖
数字列向量|数字两列矩阵|两个数字列向量的单元阵列

`“UseParallel”`-旗帜并行运行
`假`（默认）|`真正的`

输出参数

`斧头`-情节的轴线
轴对象

更多关于

回归模型的偏依赖

回归模型的个体条件期望

分类模型的部分依赖和冰

加权遍历算法

算法

替代功能

参考

扩展能力

自动并行支持万博1manbetx
通过使用并行计算工具箱™并行运行计算来加速代码。

GPU阵列
使用并行计算工具箱™在图形处理单元(GPU)上运行加速代码。

也可以看看

话题

统计和机器学习工具箱文档

万博1manbetx

掌握机器学习:一步一步的指导与MATLAB

绘图竞争依赖性

语法

描述

例子

创建部分相关图

为多个类创建部分依赖性绘图

创建个人有条件期望地块

部分相关图使用新的预测数据

比较预测变量的重要性

从图中提取部分依赖估计

输入参数

Mdl-机器学习模型回归模型对象|分类模型对象

vars.-预测变量正整数向量|字符向量|字符串标量|字符串数组|字符向量的单元格阵列

标签-类标签分类阵列|字符阵列|逻辑矢量|数字矢量|字符向量的单元格阵列

数据-预测数据数字矩阵|表格

名称值对参数

“条件”-绘图类型'没有任何'（默认）|“绝对”|'中心'

“NumObservationsToSample”-观察样本的数量观察总数（默认）|正整数

“父”-轴的轴gca（默认）|轴对象

'querypoints'-指数计算部分依赖数字列向量|数字两列矩阵|两个数字列向量的单元阵列

“UseParallel”-旗帜并行运行假（默认）|真正的

输出参数

斧头-情节的轴线轴对象

更多关于

回归模型的偏依赖

回归模型的个体条件期望

分类模型的部分依赖和冰

加权遍历算法

算法

替代功能

参考

扩展能力

自动并行支持万博1manbetx通过使用并行计算工具箱™并行运行计算来加速代码。

GPU阵列使用并行计算工具箱™在图形处理单元(GPU)上运行加速代码。

也可以看看

话题

统计和机器学习工具箱文档

万博1manbetx

掌握机器学习:一步一步的指导与MATLAB

`Mdl`-机器学习模型
回归模型对象|分类模型对象

`vars.`-预测变量
正整数向量|字符向量|字符串标量|字符串数组|字符向量的单元格阵列

`标签`-类标签
分类阵列|字符阵列|逻辑矢量|数字矢量|字符向量的单元格阵列

`数据`-预测数据
数字矩阵|表格

`“条件”`-绘图类型
`'没有任何'`（默认）|`“绝对”`|`'中心'`

`“NumObservationsToSample”`-观察样本的数量
观察总数（默认）|正整数

`“父”`-轴的轴
`gca`（默认）|轴对象

`'querypoints'`-指数计算部分依赖
数字列向量|数字两列矩阵|两个数字列向量的单元阵列

`“UseParallel”`-旗帜并行运行
`假`（默认）|`真正的`

`斧头`-情节的轴线
轴对象

自动并行支持万博1manbetx
通过使用并行计算工具箱™并行运行计算来加速代码。

GPU阵列
使用并行计算工具箱™在图形处理单元(GPU)上运行加速代码。