oobPermutedPredictorImportance
分类树随机森林的预测值重要性估计
描述
接口信息处理器=oobPermited预测重要性(Mdl）Mdl．Mdl必须是一个分类BaggedAssemble模型对象。
输入参数
输出参数
例子
估计预测值的重要性
加载census1994考虑一个人的年龄、工人阶级、受教育程度、军事地位、种族、性别、资本收益和损失以及每周工作时间的数量来预测一个人的工资类别。
负载census1994X=成人数据（：{“年龄”，“工人阶级”，“education_num”，“marital_status”，“种族”，...“性”，“capital_gain”，“capital_loss”，“每周小时数”，“工资”});
您可以使用整个数据集训练50棵分类树的随机森林。
Mdl = fitcensemble (X,“工资”，“方法”，“包”，“NumLearningCycles”, 50);
菲特森布尔使用默认模板树对象模板树（）作为一个弱学习者“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”）%为了再现性t = templateTree (“可复制”，对）；%用于随机预测器选择的重现性Mdl = fitcensemble (X,“工资”，“方法”，“包”，“NumLearningCycles”, 50岁,“学习者”t);
Mdl是一个分类BaggedAssemble模型
通过排列现成的观测值来估计预测值的重要性。使用条形图比较估计值。
小鬼= oobPermutedPredictorImportance (Mdl);图;酒吧(imp);标题(“现成的置换预测值重要性估计”)；伊莱贝尔(“估计”）;包含(“预测因素”）;甘氨胆酸h =;h.XTickLabel = Mdl.PredictorNames;h.XTickLabelRotation = 45;h.TickLabelInterpreter =“没有”；
接口信息处理器是预测器重要性估计的1 × 9向量。较大的值表示对预测有较大影响的预测器。在这种情况下,婚姻状况是最重要的预测因子，其次是capital_gain．
使用并行计算的预测器重要性的无偏估计
加载census1994考虑一个人的年龄、工人阶级、受教育程度、军事地位、种族、性别、资本收益和损失以及每周工作时间的数量来预测一个人的工资类别。
负载census1994X=成人数据（：{“年龄”，“工人阶级”，“education_num”，“marital_status”，“种族”，...“性”，“capital_gain”，“capital_loss”，“每周小时数”，“工资”});
使用显示类别变量中表示的类别数总结．
摘要（十）
变量：年龄：32561×1双倍值：最小17中位数37最大90工人阶级：32561×1分类值：联邦政府960地方政府2093从未工作过7私人22696自我emp公司1116自我emp不公司2541州政府1298无薪14数字1836教育数量：32561×1双倍值：最小1中位数10最大16婚姻状况：32561×1分类价值观：离婚4443已婚AF配偶23已婚civ配偶14976已婚配偶缺席418未婚10683分居1025丧偶993种族：32561×1分类价值观：美国印第安爱斯基摩人311亚裔太平洋岛民1039黑人3124其他271白人27816性别：32561×1分类价值观：女性10771男性21790资本收益：32561×1双倍价值观s：最低0中位数0最高99999资本损失：32561×1双倍值：最低0中位数0最高4356小时/周：32561×1双倍值：最低1中位数40最高99工资：32561×1分类值：<=50K 24720>50K 7841
由于与连续变量中的级别相比，分类变量中表示的类别较少，因此标准CART、预测器拆分算法更倾向于拆分连续预测器而非分类变量。
使用整个数据集训练50棵分类树的随机森林。若要生长无偏树，请指定曲率测试用于拆分预测器。由于数据中缺少值，请指定代理项拆分的用法。要复制随机预测器选择，请使用设置随机数生成器的种子rng并指定“可复制”，没错．
rng(“默认”）%为了再现性t = templateTree (“PredictorSelection”，“弯曲”，“代理”，“上”，...“可复制”，对）；%随机预测选择的再现性Mdl = fitcensemble (X,“工资”，“方法”，“包”，“NumLearningCycles”, 50岁,...“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(“UseParallel”，true）；imp=oobPermitedPredictor重要性（Mdl，“选项”，选项）；
使用“local”配置文件启动并行池(parpool)…连接到并行池(工作人员数量:6)。
使用条形图比较估计值。
图形栏（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.predictor名称；h、 XTickLabelRotation=45；h、 滴答计=“没有”；
在这种情况下,capital_gain是最重要的预测因子，其次是martial_status. 将这些结果与中的结果进行比较估计预测值的重要性．
更多关于
提示
在使用菲特森布尔:
标准CART倾向于选择包含许多不同值(如连续变量)的分离预测因子，而不是包含很少不同值(如分类变量)的分离预测因子［3］. 如果预测器数据集是异构的，或者如果预测变量具有比其他变量相对较少的不同值，那么考虑指定曲率或交互测试。
使用标准CART生长的树木对预测变量相互作用不敏感。此外，与交互测试的应用相比，在存在许多无关的预测因子时，这种树不太可能识别出重要的变量。因此，为了解释预测变量之间的交互作用，并在存在许多不相关变量的情况下识别重要变量，指定交互作用检验［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“所有”对于集合中的树学习者。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．
工具书类
[1] 布莱曼，L.，J.弗里德曼，R.奥尔森和C.斯通。分类与回归树．佛罗里达州博卡拉顿:CRC出版社，1984。
[2] 具有无偏变量选择和交互检测的回归树中国统计局， 2002年第12卷，第361-386页。
Loh w.y y and Y.S. Shih分类树的分裂选择方法中国统计局，第7卷，1997年，第815-840页。
扩展能力
你也可以从以下列表中选择一个网站:
