预测算法

回帰アンサンブルの予测子の重要度の

构文

Imp = predictorimportance（ens） [IMP，MA] =预测（ENS）

说明

偶尔=预测orimportance（奴隶的）は，アンサンブル内のすべての弱习の推定ををすることにより奴隶の予测子の重要度の推定を计算します。偶尔，奴隶でこの予測子が重要であることを示します。

[偶尔那嘛] =预测orimportance（奴隶的）はP.予测子の关键词性尺度をもつP.行P.列の行列を返し。

入力数

`奴隶`	关节有关部`fitrensemble.`または`袖珍的`メソッドで作成されたアンサンブル回帰。

出力数

`偶尔`	`奴隶以下方式`でのの子（列）の数と同じ数のをもつ，行ベクトル。`0.`は,可能な限り最小の重要度を示します。
`嘛`	`P.`予测子の关键词性尺度をもつ，`P.`行`P.`列の行。要素`马（我，j）`は,予測子`一世`が最适分类予测子`j`介绍分析分析を化た化尺度予测です。`预测算法`は,アンサンブル内のすべてのツリーにおけるこの関連性予測尺度を平均化します。

例

开する

予测子の重要度の推定

ライブスクリプトを开く

データ内のすべての予测子変数について予测子の重要度を推定します。

carsmallデータセットを読み込みます。

加载carsmall

加速那气瓶那移位那马力那Model_Yearおよび重量をを子として使使用して，MPG.に対する100本の回帰木のアンサンブル成长さます。

X = [加速缸位移马力型号_仪重量];t = templatetree（'maxnumsplits'，1）;ens = fitrensemble（x，mpg，'方法'那'lsboost'那'学习者'，t）;

すべての予测子変数について予测子の重要度を推定します。

Imp = predictorimportance（ens）

Imp =1×6.0.0150 0 0.0066 0.1111 0.0437 0.5181

最后の予测子重量，奴隶による予测に気筒数が影响を与えないことを意味します。

予測子の重要度と代理分岐

ライブスクリプトを开く

管理分享分别が含まれてアンサンブルで，データデータに含まれているののについて子の

carsmallデータセットを読み込みます。

加载carsmall

加速那气瓶那移位那马力那Model_Yearおよび重量をを子として使使用して，MPG.に対する100本の回帰木のアンサンブル成长さますます。

X = [加速缸位移马力型号_仪重量];t = templatetree（'maxnumsplits'，1，“代理”那'在'）;ens = fitrensemble（x，mpg，'方法'那'lsboost'那'学习者'，t）;

すべての予测子変数について予测子の重要度と关连性予测尺度を推定します。

[IMP，MA] =预测（ENS）

Imp =1×6.0.2141 0.3798 0.4369 0.6498 0.3728 0.5700

马=6×6.1.0000 0.0098 0.0102 0.0098 0.0033 0 1.0000 0 0 0 0 0.0056 0.0084 1.0000 0.0078 0.0084 0.3537 0.084 0.3537 0.4769 0.5834 1.0000 0.1612 0.5827 0.0061 0.0070 0.0154 0.0296 0.0154 0.0296 0.0154 0.0296 0.0154 0.01. 0.0296 0.0154 0.0296 0.0533

偶尔を予测子の重要度の推定の结果と比较する，燃费に対する影响が最も大厦のは马力，2番目に影响が大大ののは重量になっています。

详细

开する

予测子の重要度

预测算法は，アンサンブル奴隶-ens.tratingweight.をを用品偶尔を返します。能力偶尔には,予測子ごとに1つの要素が含まれています。

预测算法は，すべてすべての子についてについてノードリスクリスクのののしし，このこのことにより，木におけることにより重要の尺度计算し。亲亲ノードのリスクとつのつのののリスク计との差ですたとえば差差差ノードノードです差差差差差差ノードノードノードノードノードノード差ノードノードです差差ノードノード（预测算法は，次によって分割予测子の重要度を高めます。

（r.₁- R₂- R_3.) / N_分支那

ここで，r_一世はノードiのノードリスク，n_分支ははノードのの数。“ノードリスク”は,ノード確率によって重み付けされたノード誤差として定義されます。

R._一世= P._一世E._一世那

ここで，p_一世はノードiのノード确率，e_一世はノード我の平均二乗誤差です。

Suppultion

管理分类分类岐を使使合金，预测算法は，各枝ノードにおいて静音分类ををすべてのののでノードリスクのをますますますますます。
予测子の重要度の推定は，代理分岐を使用する场合，予测子の顺序には依存しませんが，代理分岐を使用しない场合には，予测子の顺序に依存します。

关键词予测

“关键词尺度”は，観测値を分类する规则规则间の类似度を値ですですられるられる求め求められるられるられるに対してされる，可以なすべての比较さ，可なすべて决定比较の，最适な管理分享分享は关键词がが最になります.2番目に最适最适なます。

X_jとX._K.がそれぞれそれぞれ子変jおよびkであり，j≠kであるであるとし。ノードtにおける最适な分享x_jK.

${λ.}_{j K.} = \frac{闵（ {P.}_{L.} 那 {P.}_{R.} 的） - （ 1 - {P.}_{{L.}_{j} {L.}_{K.}} - {P.}_{{R.}_{j} {R.}_{K.}} 的）}{闵（ {P.}_{L.} 那 {P.}_{R.} 的）} 。$

P._L.は，ノードtにおいてx_j
P._R.は，ノードtにおいてx_j≥Uととなる観测値の比率比率比率比率は表し表し表し表し表し表し表し表し表し表し表し表し表し
${P.}_{{L.}_{j} {L.}_{K.}}$ は，ノードtにおいてx_jK.
${P.}_{{R.}_{j} {R.}_{K.}}$ は，ノードtにおいてx_j≥Uおよびx_K.≥Vととなる観测観测比率比率比率比率比率比率比率比率比率比率比率
X_jまたはX._K.について欠损値がある観测値は，比率の计算に使用されません。

λ._jk.は，（ - ∞，1]の値になります。λ._jk.> 0である场合，x_K.j

アルゴリズム

要素马（我，j）は,予測子jが最适分类予测子一世の经理分类岐平等化均した予测ですですですです。一世の最适分类，およびおよび子jの经理分类分关节予测尺度正ののを合房，予测子一世とj间谍关键词予测尺度负にになる分享もた，予测子一世の最适分割の合计数で除算することによって计算されます。