OobpermutedPredictorimportance.
回归树随机林的预测值重要性估计
描述
输入参数
输出参数
例子
估计预测因子的重要性
加载卡斯莫尔数据集。考虑一种模型，该模型预测汽车的平均燃料经济性，仪式，气缸数量，发动机位移，马力，制造商，模型年和重量。考虑圆筒那制造， 和model_year.作为分类变量。
加载卡斯莫尔汽缸=分类（圆柱）;MFG =分类（CellStr（MFG））;model_year =分类（model_year）;X =表（加速，圆柱，位移，马力，MFG，...model_year，重量，mpg）;
您可以使用整个数据集训练500棵回归树的随机林。
mdl = fitrensemble（x，'mpg'那“方法”那'包'那“NumLearningCycles”,500);
fitrensemble.使用默认模板树对象模板树（）作为一个弱的学习者“方法”是'包'. 在本例中，对于再现性，指定“可复制”，没错创建树模板对象，然后将该对象用作弱学习器时。
RNG（'默认'）重复性的％t = templatetree（“可复制”，对）；随机预测测量选择的再生率为的％mdl = fitrensemble（x，'mpg'那“方法”那'包'那“NumLearningCycles”,500,'学习者'，t）;
MDL.是一个回归释迦缩短模型
通过排列现成的观测值来估计预测值的重要性度量。使用条形图比较估计值。
Imp = OobperMutedPredictorimportance（MDL）;数字;酒吧（IMP）;标题（“现成的置换预测值重要性估计”); 伊拉贝尔('估计'）;Xlabel（“预测因素”）;H = GCA;h.xticklabel = mdl.predictornames;H.xticklabelrotation = 45;H.TicklabelInterpreter =.'没有任何';
偶尔是一个1比7的预测重要性估计矢量。更大的值表示对预测产生更大影响的预测因子。在这种情况下,，重量是最重要的预测因子，其次是model_year.。
使用并行计算的预测器重要性的无偏见估计
加载卡斯莫尔数据集。考虑一种模型，该模型预测汽车的平均燃料经济性，仪式，气缸数量，发动机位移，马力，制造商，模型年和重量。考虑圆筒那制造， 和model_year.作为分类变量。
加载卡斯莫尔汽缸=分类（圆柱）;MFG =分类（CellStr（MFG））;model_year =分类（model_year）;X =表（加速，圆柱，位移，马力，MFG，...model_year，重量，mpg）;
显示分类变量中表示的类别数。
num cinders = numel（类别（圆柱体））
numcylinders = 3
nummfg = numel（类别（MFG））
nummfg = 28.
numModelYear=numel（类别（车型年））
nummodelyear = 3
因为只有三个类别圆筒和model_year.，标准推车，预测算法更喜欢在这两个变量上分割连续的预测器。
使用整个数据集培训500个回归树的随机森林。为了种植无偏的树木，请指定用于分裂预测器的曲率测试的使用。由于数据中存在缺少值，因此指定代理分割的使用。要重现随机预测器选择，请使用随机数发生器的种子RNG.并指定“可复制”，没错。
RNG（'默认'）;重复性的％t = templatetree（'预测圈'那'曲率'那“代理”那'在'那...“可复制”，对）；%随机预测选择的再现性mdl = fitrensemble（x，'mpg'那“方法”那'包'那“NumLearningCycles”,500,...'学习者'，t）;
通过排列现成的观测值来估计预测值的重要性度量。并行执行计算。
选项= statset（'使用指平行'，对）；imp=oobPermitedPredictor重要性（Mdl，“选项”，选项）；
使用“本地”配置文件启动并行池（Parpool）连接到并行池（工人数：6）。
使用条形图比较估计值。
数字;酒吧（IMP）;标题（“现成的置换预测值重要性估计”); 伊拉贝尔('估计'）;Xlabel（“预测因素”）;H = GCA;h.xticklabel = mdl.predictornames;H.xticklabelrotation = 45;H.TicklabelInterpreter =.'没有任何';
在这种情况下,，model_year.是最重要的预测因子，其次是圆筒. 将这些结果与中的结果进行比较估计预测因子的重要性。
更多关于
提示
在使用fitrensemble.：
标准推车倾向于选择包含许多不同值的分割预测器，例如连续变量，在包含几个不同值的那些中，例如分类变量[3]。如果预测器数据集是异构的，或者如果存在与其他变量相对较少的不同值的预测器，则考虑指定曲率或交互测试。
使用标准推车生长的树木对预测变量相互作用不敏感。而且，这种树木在许多不相关的预测因子的存在中的可能性不太可能识别重要的变量，而不是应用相互作用测试。因此，要考虑预测器相互作用并在存在许多无关变量的情况下识别重要变量，请指定交互测试[2]。
如果训练数据包含多个预测值，并且要分析预测值的重要性，请指定
“NumVariablesToSample”的模板树充当'全部'为合奏的树学习者。否则，软件可能不会选择一些预测因子，低估了它们的重要性。
有关详细信息，请参阅模板树和选择分割预测器选择技术。
参考
[1] 布莱曼，L.，J。弗里德曼，R。奥尔申和C。石分类和回归树。Boca Raton，FL：CRC Press，1984。
[2] 具有无偏变量选择和交互检测的回归树STATISTICA SINICA.，卷。12，2002，第361-386页。
[3] LOH，W.Y.和Y.S.Shih。“分类树的分离选择方法。”STATISTICA SINICA.，第7卷，1997年，第815-840页。
扩展能力
您还可以从以下列表中选择一个网站：
