主要内容

partialDependence

计算部分依赖关系

折叠所有页面

语法

pd = partialDependence(RegressionMdl,Vars)
pd = partialDependence(ClassificationMdl,Vars,Labels)
pd =部分依赖(___、数据)
pd = partialDependence(fun,Vars,Data)
pd =部分依赖(___、名称、值)
[pd,x,y] =偏倚(___）

描述

例子

pd= partialDependence (RegressionMdl，var）计算部分依赖关系pd中所列的预测变量之间var并利用回归模型预测反应RegressionMdl，其中包含预测器数据。

例子

pd= partialDependence (ClassificationMdl，var，标签）计算部分依赖关系pd中所列的预测变量之间var和指定课程的分数标签利用分类模型ClassificationMdl，其中包含预测器数据。

pd= partialDependence (___，数据）使用新的预测数据数据．你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

pd= partialDependence (有趣的，var，数据）计算中所列预测变量之间的部分依赖关系var和自定义模型返回的输出有趣的，使用预测器数据数据．

例子

pd= partialDependence (___，名称,值）使用一个或多个名称-值参数指定的其他选项。例如，如果您指定“UseParallel”,“真正的”,partialDependence函数使用并行计算来执行部分依赖计算。

［pd，x，y=部分依赖(___）同样的回报x而且y中第一个和第二个预测变量的查询点var,分别。如果你指定一个变量var,然后partialDependence返回一个空矩阵(［］)y．

例子

全部折叠

打开实时脚本

训练朴素贝叶斯分类模型fisheriris数据集，并计算部分依赖值，显示预测变量和多个类的预测分数(后验概率)之间的关系。

加载fisheriris数据集，包含物种(物种)及测量(量)对150份鸢尾花标本的萼片长度、萼片宽度、花瓣长度和花瓣宽度进行分析。数据集包含来自三个物种的各50个标本:濑鱼、维珍鱼和维珍鱼。

负载fisheriris

训练朴素贝叶斯分类模型物种作为响应和量为预测因子。

Mdl = fitcnb(meas,species，“PredictorNames”，[“花萼长度”，“花萼宽”，“花瓣长度”，“花瓣宽度”]);

计算分数的第三个预测变量(花瓣长度)的部分依赖值Mdl对于所有的三个类物种．属性指定类标签一会的属性Mdl．

[pd,x] = partialDependence(Mdl,3,Mdl. classnames);

pd包含查询点x的部分依赖值。您可以使用绘图函数绘制计算的部分依赖值，例如情节而且酒吧．情节pd反对x通过使用酒吧函数。

bar(x,pd) legend(mld . classnames) xlabel(“花瓣长度”) ylabel (“分数”)标题(“部分依赖图”）

图中包含一个轴对象。标题为偏依赖Plot的axis对象包含3个类型为bar的对象。这些物品代表了setosa, versicolica, virgica。

根据这个模型，的概率virginica随花瓣长度增加。的概率setosa约为0.33，从花瓣长度为0到2.5左右，然后概率下降到几乎为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)

图中包含一个轴对象。标题为偏依赖Plot的axis对象包含3个类型为line的对象。这些物品代表了setosa, versicolica, virgica。

打开实时脚本

训练分类模型的集合，并为多个类计算两个变量的部分依赖值。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> 50 k，以及一些人口统计变量。

负载census1994

从表中提取要分析的变量子集adultdata．

X = adultdata(1:500，[“年龄”，“workClass”，“education_num”，“marital_status”，“种族”，.．.“性”，“capital_gain”，“capital_loss”，“hours_per_week”，“工资”]);

训练一个随机的分类树森林fitcensemble并指定方法为“袋”．为了重现性，使用使用创建的树模板templateTree与可再生的选择。

rng (“默认”) t = templateTree(“复制”,真正的);Mdl = fitcensemble(X，“工资”，“方法”，“包”，“学习者”t);

中的类名Mdl．

Mdl。ClassNames
ans =2 x1分类< = 50 k > 50 k

计算分数对预测因子的部分依赖值年龄而且education_num对于两个类(< = 50 k而且> 50 k)．指定要采样的观察数为100。

[pd,x,y] = partialDependence(Mdl，[“年龄”，“education_num”), Mdl。ClassNames,“NumObservationsToSample”, 100);

创建第一个类的部分依赖值的曲面图(< = 50 k)使用冲浪函数。

图surf(x,y,squeeze(pd(1，:，:))) xlabel(“年龄”) ylabel (“教育\ _num”) zlabel (“班级成绩<=50K”)标题(“部分依赖图”)视图([130 30])%修改视角

图中包含一个轴对象。标题为偏依赖Plot的axis对象包含一个类型为surface的对象。

创建第二个类的部分依赖值的曲面图(> 50 k)．

图surf(x,y,squeeze(pd(2，:，:))) xlabel(“年龄”) ylabel (“教育\ _num”) zlabel (“>级成绩50K”)标题(“部分依赖图”)视图([130 30])%修改视角

图中包含一个轴对象。标题为偏依赖Plot的axis对象包含一个类型为surface的对象。

根据类的不同，这两个图显示了不同的部分依赖模式。

打开实时脚本

训练支持向量机(万博1manbetxSVM)回归模型carsmall数据集，并计算两个预测变量的部分依赖关系。然后，创建一个图，显示对两个变量的部分依赖关系，以及每个变量的直方图。

加载carsmall数据集。

负载carsmall

创建一个包含重量，气缸，位移,马力．

Tbl =表(重量，气缸，排量，马力);

中使用预测变量训练支持向量机回归模型资源描述以及响应变量英里/加仑．使用具有自动核尺度的高斯核函数。

Mdl = fitrsvm(Tbl,MPG，“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关系(英里/加仑)重量而且马力．属性指定要计算部分依赖关系的查询点QueryPoints名称-值参数。

numPoints = 10;ptX = linspace(min(Weight)，max(Weight)，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。函数绘制对这两个变量的部分依赖关系显示亮度图像函数。函数绘制每个变量的直方图柱状图函数。指定直方图的边缘，使直方图条的中心与查询点对齐。更改坐标轴属性以对齐图的坐标轴。

T = tiledlayout(5,5，“TileSpacing”，“紧凑”）;Ax1 = nexttile(2，[4,4]);显示亮度图像(x, y, pd)标题(“部分依赖图”) colorbar (“eastoutside”ax₁。YDir =“正常”；Ax2 = nexttile(22，[1,4]);dX = diff(ptX(1:2));edgeX = [ptX-dX/2;ptX(end)+dX];直方图(重量,edgeX);包含(“重量”) xlim (ax1.XLim);Ax3 = nexttile(1，[4,1]);dY = diff(ptY(1:2));egey = [ptY-dY/2;ptY(end)+dY];直方图(马力,edgeY)包含(“马力”) xlim (ax1.YLim);ax3。XDir =“反向”；camroll (-90)

图中包含3个轴对象。标题为“偏依赖图”的坐标轴对象1包含一个图像类型的对象。坐标轴对象2包含一个直方图类型的对象。坐标轴对象3包含一个直方图类型的对象。

的每个元素pd指定图像图形的一个像素的颜色。与图像轴对齐的直方图显示了预测因子的分布。

打开实时脚本

计算a的标签分数对预测变量的部分依赖关系SemiSupervisedSelfTrainingModel对象。你不能通过SemiSupervisedSelfTrainingModel对象直接指向partialDependence函数。相反，定义一个自定义函数，该函数返回对象的标签分数，然后将该函数传递给partialDependence．

随机生成标记数据的15个观察值，三个类中每个类中有5个观察值。

rng (“默认”）%用于再现性labeledX = [randn(5,2)*0.25 + ones(5,2);Randn (5,2)*0.25 - ones(5,2);randn (5,2) * 0.5);Y = [ones(5,1);(5、1)* 2;(1) * 3);

随机生成300个未标记数据的额外观测值，每个类100个观测值。

unlabeledX = [randn(100,2)*0.25 + ones(100,2);Randn (100,2)*0.25 - ones(100,2);randn (100 2) * 0.5);

使用半监督自训练方法对未标记的数据拟合标签。这个函数fitsemiself返回一个SemiSupervisedSelfTrainingModel对象。

Mdl = fitsemself (labeledX,Y,unlabeledX);

定义自定义函数myLabelScores方法计算的标签分数预测的函数SemiSupervisedSelfTrainingModel；自定义函数定义出现在这个例子结束了．

计算分数的部分依赖关系unlabeledX对所有类的每个变量。partialDependence接受函数句柄形式的自定义模型。由函数句柄表示的函数必须接受预测器数据，并为每个观察结果返回一个列向量或矩阵。指定自定义模型为@ (X) myLabelScores (Mdl X)这样自定义函数就会使用经过训练的模型Mdl并接受预测数据。

[pd1,x1] = partialdependency (@(X)myLabelScores(Mdl,X)，1,unlabeledX);[pd2,x2] = partialdependency (@(X)myLabelScores(Mdl,X)，2,unlabeledX);

可以使用绘图函数来绘制计算出的部分依赖值情节而且酒吧．或者，您可以使用plotPartialDependence函数来计算和绘制部分依赖值。

为第一个变量和所有类创建部分依赖关系图。

plotPartialDependence (@ (X) myLabelScores (Mdl X), 1, unlabeledX)包含(“unlabeledX的第一个变量”) ylabel (“分数”)传说(“1级”，“二班”，“3班”）

图中包含一个轴对象。标题为偏依赖Plot的axis对象包含3个类型为line的对象。这些对象代表第一类，第二类，第三类。

自定义函数myLabelScores

函数myLabelScores(Mdl,X) [~，scores] = predict(Mdl,X);结束

输入参数

全部折叠

回归模型，指定为完整或紧凑的回归模型对象，如所支持的模型的下表所示。万博1manbetx

模型 完整或紧凑模型对象
广义线性模型 GeneralizedLinearModel，CompactGeneralizedLinearModel
广义线性混合效应模型 GeneralizedLinearMixedModel
线性回归 LinearModel，CompactLinearModel
线性混合效应模型 LinearMixedModel
非线性回归 NonLinearModel
回归模型的集合 RegressionEnsemble，RegressionBaggedEnsemble，CompactRegressionEnsemble
广义加法模型(GAM) RegressionGAM，CompactRegressionGAM
高斯过程回归 RegressionGP，CompactRegressionGP
采用随机特征展开的高斯核回归模型 RegressionKernel
高维数据的线性回归 RegressionLinear
神经网络回归模型 RegressionNeuralNetwork，CompactRegressionNeuralNetwork
万博1manbetx支持向量机(SVM)回归 RegressionSVM，CompactRegressionSVM
回归树 RegressionTree，CompactRegressionTree
用于决策树集成的引导聚合 TreeBagger，CompactTreeBagger

如果RegressionMdl是否模型对象不包含预测器数据(例如，紧凑模型)，您必须提供输入参数数据．

partialDependence不支持用稀疏矩阵训万博1manbetx练的模型对象。当你训练一个模型时，使用一个完整的数字矩阵或预测数据表，其中行对应单独的观察。

分类模型，指定为完整或紧凑的分类模型对象，如支持的模型的下表所示。万博1manbetx

模型 完整或紧凑模型对象
判别分析分类器 ClassificationDiscriminant，CompactClassificationDiscriminant
支持向量机或其他分类器的多类模型万博1manbetx ClassificationECOC，CompactClassificationECOC
分类的学习器集合 ClassificationEnsemble，CompactClassificationEnsemble，ClassificationBaggedEnsemble
广义加法模型(GAM) ClassificationGAM，CompactClassificationGAM
采用随机特征展开的高斯核分类模型 ClassificationKernel
k-最近邻分类器 ClassificationKNN
线性分类模型 ClassificationLinear
多类朴素贝叶斯模型 ClassificationNaiveBayes，CompactClassificationNaiveBayes
神经网络分类器 ClassificationNeuralNetwork，CompactClassificationNeuralNetwork
万博1manbetx支持向量机(SVM)分类器用于一类和二元分类 ClassificationSVM，CompactClassificationSVM
用于多类分类的二叉决策树 ClassificationTree，CompactClassificationTree
决策树的袋装集合 TreeBagger，CompactTreeBagger

如果ClassificationMdl是否模型对象不包含预测器数据(例如，紧凑模型)，您必须提供输入参数数据．

partialDependence不支持用稀疏矩阵训万博1manbetx练的模型对象。当你训练一个模型时，使用一个完整的数字矩阵或预测数据表，其中行对应单独的观察。

自定义模型，指定为函数句柄。函数句柄有趣的必须表示一个接受预测器数据的函数数据并以列向量或矩阵的形式返回输出。输出的每一行必须对应于预测器数据中的每个观察(行)。

默认情况下,partialDependence的所有输出列有趣的对于偏依赖的计算。属性指定要使用的输出列OutputColumns名称-值参数。

如果预测器数据(数据)在一个表中，partialDependence如果一个变量是逻辑向量、分类向量、字符数组、字符串数组或字符向量的单元格数组，则假定该变量是分类的。如果预测器数据是一个矩阵，partialDependence假设所有预测因子都是连续的。要将任何其他预测符标识为类别预测符，请使用CategoricalPredictors名称-值参数。

数据类型:function_handle

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格数组。您可以指定一个或两个预测变量，如下表所示。

一个预测变量

价值 描述
正整数 预测器数据列对应的指标值。
字符向量或字符串标量

预测变量的名称。项中的项必须匹配PredictorNames财产RegressionMdl而且ClassificationMdl或者变量名数据自定义模型的表中有趣的．

两个预测变量

价值 描述
两个正整数的向量 与预测器数据列对应的索引值。
字符向量的字符串数组或单元格数组

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。属性中的项必须匹配PredictorNames财产RegressionMdl而且ClassificationMdl的变量名数据自定义模型的表中有趣的．

例子:[" x1”、“x3”)

数据类型:单|双|字符|字符串|细胞

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类中的类名必须匹配一会的属性ClassificationMdl（ClassificationMdl。一会)．

可以指定一个或多个类标签。

此参数仅在指定分类模型对象时有效ClassificationMdl．

例子:(“红”、“蓝色”)

例子:ClassificationMdl。3类名([1])指定标签作为第一和第三类ClassificationMdl．

数据类型:单|双|逻辑|字符|细胞|分类

预测器数据，指定为数字矩阵或表格。每行数据对应一个观察结果，每一列对应一个变量。

对于回归模型(RegressionMdl)和分类模型(ClassificationMdl)，数据必须与训练模型的预测器数据一致，存储在X或变量财产。

  • 如果你用数字矩阵训练模型，那么数据一定是数值矩阵。组成列的变量数据必须具有与训练模型的预测变量相同的数量和顺序。

  • 如果您使用表(例如，资源描述),然后数据一定是一张桌子。所有预测变量数据必须具有与中的名称和类型相同的变量名称和数据类型资源描述．的列序数据是否需要对应的列顺序资源描述．

  • 数据一定不能稀疏。

如果您指定的回归或分类模型不包含预测器数据，则必须提供数据．如果模型是包含预测器数据的完整模型对象，并且指定数据参数,然后partialDependence忽略模型中的预测器数据并使用数据只有。

如果您指定一个自定义模型有趣的，你必须提供数据．

数据类型:单|双|表格

名称-值参数

指定可选参数对为Name1 = Value1,…,以=家,在那里的名字参数名称和价值对应的值。名称-值参数必须出现在其他参数之后，但对的顺序无关紧要。

在R2021a之前，使用逗号分隔每个名称和值，并将其括起来的名字在报价。

例子:partialDependence (Mdl、var、数据“NumObservationsToSample”,100年,“UseParallel”,真的)用100个采样观测值计算局部依赖值数据和执行为-循环迭代并行。

标记在部分依赖计算中包括广义可加模型(GAM)的交互项，指定为真正的或假．此参数仅对GAM有效。也就是说，您只能在以下情况下指定此参数RegressionMdl是RegressionGAM或CompactRegressionGAM,或ClassificationMdl是ClassificationGAM或CompactClassificationGAM．

默认的IncludeInteractions值是真正的如果模型包含交互项。取值必须为假如果模型不包含交互项。

例子:“IncludeInteractions”,假的

数据类型:逻辑

标志，以在部分依赖计算中包括广义可加模型(GAM)的截取项，指定为真正的或假．此参数仅对GAM有效。也就是说，您只能在以下情况下指定此参数RegressionMdl是RegressionGAM或CompactRegressionGAM,或ClassificationMdl是ClassificationGAM或CompactClassificationGAM．

例子:“IncludeIntercept”,假的

数据类型:逻辑

要采样的观察数，指定为正整数。默认值为数据或者模型(RegressionMdl或ClassificationMdl)．如果您指定的值大于总的观察数，则partialDependence使用所有的观察结果。

partialDependence不进行替换的样本观测datasample函数并使用采样的观测值来计算部分依赖关系。

例子:“NumObservationsToSample”,100

数据类型:单|双

指定为数值列向量、数值两列矩阵或两个数值列向量的单元格数组的数值预测器的部分依赖关系。

  • 如果你选择一个预测变量var，使用数值列向量。

  • 如果你选择两个预测变量var：

    • 使用数字两列矩阵为每个预测变量指定相同的点数。

    • 使用两个数值列向量的单元格数组为每个预测变量指定不同数量的点。

默认值是数值列向量或数值两列矩阵，这取决于所选预测变量的数量。每一列在对应预测变量的采样观测值的最小值和最大值之间包含100个均匀间隔的点。

你不能修改QueryPoints对于一个分类变量。的partialDependence函数使用所选变量中的所有类别值。

如果选择一个数值变量和一个类别变量，则可以指定QueryPoints对于数值变量，使用由数值列向量和空数组组成的单元格数组。

例子:“QueryPoints”{pt, []}

数据类型:单|双|细胞

要并行运行的标志，指定为真正的或假．如果你指定“UseParallel”,真的,partialDependence函数执行为-循环迭代并行使用parfor预测每个观察结果的反应或得分，并求平均值。此选项需要并行计算工具箱™。

例子:“UseParallel”,真的

数据类型:逻辑

自定义模型的分类预测器列表有趣的，指定为本表中的值之一。

价值 描述
正整数向量

向量中的每个条目都是一个指标值，表明相应的预测器是分类的。索引值在1和之间p,在那里p变量的数量是多少数据．
逻辑向量

一个真正的Entry表示对应的预测器是分类的。向量的长度是p．
字符矩阵 矩阵的每一行都是一个预测变量的名称。名称必须与预测器数据的变量名称相匹配数据在表格中。用额外的空格填充名字，这样字符矩阵的每一行都有相同的长度。
字符向量的字符串数组或单元格数组 数组中的每个元素都是一个预测变量的名称。名称必须与预测器数据的变量名称相匹配数据在表格中。
“所有” 所有预测因素都是绝对的。

默认情况下，如果预测器数据数据在一个表中，partialDependence如果一个变量是逻辑向量、分类向量、字符数组、字符串数组或字符向量的单元格数组，则假定该变量是分类的。如果预测器数据是一个矩阵，partialDependence假设所有预测因子都是连续的。要将任何其他预测符标识为类别预测符，请使用CategoricalPredictors名称-值参数。

此参数仅在使用指定自定义模型时有效有趣的．

例子:“CategoricalPredictors”、“所有”

数据类型:单|双|逻辑|字符|字符串|细胞

自定义模型的输出列有趣的用于部分依赖计算，指定为本表中的值之一。

价值 描述
正整数向量

向量中的每一项都是表示这一点的索引值partialDependence使用相应的输出列进行部分依赖计算。索引值在1和之间问,在那里问自定义模型是否返回输出矩阵中的列数有趣的．
逻辑向量

一个真正的进入意味着partialDependence使用相应的输出列进行部分依赖计算。向量的长度是问．
“所有” partialDependence使用所有输出列进行部分依赖计算。

此参数仅在使用指定自定义模型时有效有趣的．

例子:“OutputColumns”,[1 - 2]

数据类型:单|双|逻辑|字符|字符串

输出参数

全部折叠

部分依赖值，作为数值数组返回。

的维度pd根据模型的类型(回归，分类或自定义)，变量的数量指定var中指定的类的个数标签(仅限分类模型)的列数OutputColumns(仅限定制型号)。

对于回归模型(RegressionMdl)，则适用于下列条件:

  • 如果你指定两个变量var，pd是一个numY——- - - - - -numX矩阵,numY而且numX第二个和第一个变量的查询点的个数在吗var,分别。的价值pd (i, j)查询点的偏依赖值是否对应y(我)而且x(j)．y(我)是我第二个预测变量的查询点，和x(j)是j第一个预测变量的查询点。

  • 如果你指定一个变量var，pd是一个1——- - - - - -numX向量。

对于分类模型(ClassificationMdl)，则适用于下列条件:

  • 如果你指定两个变量var，pd是一个全国矿工工会——- - - - - -numY——- - - - - -numX数组,全国矿工工会类标的数量在吗标签．的价值pd (i, j, k)查询点的部分依赖值吗y(j)而且x(k)为我第Th类标签标签．

  • 如果你指定一个变量var，pd是一个全国矿工工会——- - - - - -numX矩阵。

  • 如果指定一个类标签，pd是一个numY——- - - - - -numX矩阵。

  • 如果指定一个变量和一个类，pd是一个1——- - - - - -numX向量。

对于自定义模型(有趣的)，则适用于下列条件:

  • 如果你指定两个变量var，pd是一个全国矿工工会——- - - - - -numY——- - - - - -numX数组,全国矿工工会输出列的数量在吗OutputColumns．的价值pd (i, j, k)查询点的部分依赖值吗y(j)而且x(k)为我中的第Th列OutputColumns．

  • 如果你指定一个变量var，pd是一个全国矿工工会——- - - - - -numX矩阵。

  • 如果指定一列OutputColumns，pd是一个numY——- - - - - -numX矩阵。

  • 如果指定一个变量和一列，pd是一个1——- - - - - -numX向量。

中第一个预测变量的查询点var，作为数字或分类列向量返回。

方法指定查询点，如果预测器变量是数值型的QueryPoints名称-值参数。

数据类型:单|双|分类

中第二个预测变量的查询点var，作为数字或分类列向量返回。输出参数为空(［］)如果你只指定一个变量var．

方法指定查询点，如果预测器变量是数值型的QueryPoints名称-值参数。

数据类型:单|双|分类

更多关于

全部折叠

回归模型的部分依赖关系

部分依赖[1]表示训练后回归模型中预测变量与预测响应之间的关系。partialDependence通过边缘化其他变量，计算预测响应对预测变量子集的部分依赖关系。

考虑对子集的部分依赖X年代整个预测变量集的X= {x1，x2、……x米｝．一个子集X年代包含一个变量或两个变量:X年代= {xS1｝或X年代= {xS1，xS2｝．让XC的互补集X年代在X．预测反应f（X)取决于中的所有变量X：

f（X) =f（X年代，XC)．

预测反应的部分依赖于X年代是由预测响应的期望来定义的XC：

f 年代 （ X 年代 ） ＝ E C ［ f （ X 年代 ， X C ） ］ ＝ ∫ f （ X 年代 ， X C ） p C （ X C ） d X C ，

在哪里pC（XC的边际概率XC，也就是说， p C （ X C ） ≈ ∫ p （ X 年代 ， X C ） d X 年代 ．假设每个观测值都是等可能的，且两者之间存在依赖关系X年代而且XC和相互作用X年代而且XC回应并不强烈，partialDependence通过使用观察到的预测数据估计部分依赖关系，如下所示:

f 年代 （ X 年代 ） ≈ 1 N ∑ 我 ＝ 1 N f （ X 年代 ， X 我 C ） ， (1）

在哪里N观察的次数和X我= (X我年代，X我C）是我观察。

当你打电话给partialDependence函数，则可以指定经过训练的模型(f(·))和选择变量(X年代)，使用输入参数RegressionMdl而且var,分别。partialDependence的100个等间距点处计算部分依赖关系X年代或者你指定的点QueryPoints名称-值参数。您可以指定数字(N)的观测值，从给定的预测器数据中取样NumObservationsToSample名称-值参数。

部分依赖分类模型

在分类模型中，partialDependence以与回归模型相同的方式计算部分依赖关系，但有一个例外:该函数不使用来自模型的预测响应，而是使用中指定的类的预测分数标签．

加权遍历算法

加权遍历算法[1]是用于估计基于树的模型的部分依赖关系的方法。估计的部分依赖关系是对应于树遍历期间访问的叶节点的响应或得分值的加权平均。

让X年代是整个变量集的子集X而且XC的互补集X年代在X．为每一个X年代值来计算部分依赖关系，算法从根(开始)节点遍历树到叶(终端)节点，并找到叶节点的权值。遍历从在根节点上分配权重值1开始。如果一个节点分裂X年代时，算法遍历到相应的子节点X年代价值。子节点的权重值与其父节点的值相同。如果一个节点分裂XC时，算法遍历两个子节点。每个子节点的权重变成其父节点的值乘以每个子节点对应的观测值的分数。完成树遍历后，算法使用分配的权重计算加权平均值。

对于袋装树的集合，估计的部分依赖关系是单个树的加权平均值的平均值。

算法

对于回归模型(RegressionMdl)和分类模型(ClassificationMdl)，partialDependence使用一个预测函数来预测反应或分数。partialDependence选择合适的预测根据模型函数并运行预测使用默认设置。详情请参阅预测函数，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使用加权遍历算法代替预测函数。详细信息请参见加权遍历算法．

回归模型对象

模型类型 完整或紧凑回归模型对象 预测反应的功能
用于决策树集成的引导聚合 CompactTreeBagger 预测
用于决策树集成的引导聚合 TreeBagger 预测
回归模型的集合 RegressionEnsemble，RegressionBaggedEnsemble，CompactRegressionEnsemble 预测
采用随机特征展开的高斯核回归模型 RegressionKernel 预测
高斯过程回归 RegressionGP，CompactRegressionGP 预测
广义加性模型 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支持向量机 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 ClassificationECOC，CompactClassificationECOC 预测
分类的学习器集合 ClassificationEnsemble，CompactClassificationEnsemble，ClassificationBaggedEnsemble 预测
采用随机特征展开的高斯核分类模型 ClassificationKernel 预测
广义加性模型 ClassificationGAM，CompactClassificationGAM 预测
k-最近邻模型 ClassificationKNN 预测
线性分类模型 ClassificationLinear 预测
朴素贝叶斯模型 ClassificationNaiveBayes，CompactClassificationNaiveBayes 预测
神经网络分类器 ClassificationNeuralNetwork，CompactClassificationNeuralNetwork 预测
万博1manbetx支持向量机用于一类和二元分类 ClassificationSVM，CompactClassificationSVM 预测
用于多类分类的二叉决策树 ClassificationTree，CompactClassificationTree 预测
决策树的袋装集合 TreeBagger，CompactTreeBagger 预测

选择功能

参考文献

弗里德曼，杰罗姆。《贪婪函数逼近:梯度增强机》统计年鉴29日,没有。5(2001): 1189-1232。

哈斯蒂、特雷弗、罗伯特·蒂布谢拉尼和杰罗姆·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

版本历史

R2020b中介绍

另请参阅

|||||||

主题