predictorImportance
预测因子对分类树重要性的估计
语法
小鬼= predictorImportance(树)
输出参数
|
中的预测符(列)的数量与元素数量相同的行向量 |
例子
预测重要值
载入费雪的虹膜数据集。
负载fisheriris
种植一个分类树。
Mdl = fitctree(量、种类);
计算所有预测变量的预测因子重要性估计值。
小鬼= predictorImportance (Mdl)
小鬼=1×40 0 0.0907 0.0682
的前两个元素小鬼为零。因此，前两个预测器不进入Mdl鸢尾分类的计算。
如果使用代理分割，预测器重要性的估计不依赖于预测器的顺序，但如果不使用代理分割，则依赖于顺序。
排列上一个示例中的数据列的顺序，生长另一个分类树，然后计算预测器重要性估计值。
measPerm = meas(:，[4 1 3 2]);MdlPerm = fitctree (measPerm、物种);impPerm = predictorImportance (MdlPerm)
impPerm =1×40.1515 0 0.0074 0
预测者重要性的估计不是一个排列小鬼．
代理分割和预测重要性
载入费雪的虹膜数据集。
负载fisheriris
种植一个分类树。指定代理拆分的用法。
Mdl = fitctree(量、种类、“代孕”，“上”）;
计算所有预测变量的预测因子重要性估计值。
小鬼= predictorImportance (Mdl)
小鬼=1×40.0791 0.0374 0.1530 0.1529
所有的预测因素都有一定的重要性。前两个预测因素不如后两个重要。
打乱前一个示例中的数据列的顺序，生长另一个指定代理分割的使用情况的分类树，然后计算预测器重要性估计。
measPerm = meas(:，[4 1 3 2]);MdlPerm = fitctree (measPerm物种,“代孕”，“上”）;impPerm = predictorImportance (MdlPerm)
impPerm =1×40.1529 0.0791 0.1530 0.0374
预测器重要性的估计是排列的小鬼．
无偏预测器重要性估计
加载census1994数据集。考虑到一个人的年龄、工人阶层、教育水平、军事地位、种族、性别、资本收益和损失以及每周工作时间，可以预测其工资类别的模型。
负载census1994X = adultdata (: {“年龄”，“workClass”，“education_num”，“marital_status”，“种族”，.．.“性”，“capital_gain”，“capital_loss”，“hours_per_week”，“工资”})；
显示类别变量中表示的类别数总结．
总结(X)
变量:年龄:32561 x1双重价值:17分钟37 Max 90 workClass中位数:32561 x1分类值:Federal-gov 960年地方政府2093年从未22696私人Self-emp-inc 1116 Self-emp-not-inc 2541 State-gov 1298 1836年无薪14 NumMissing education_num: 32561 x1双重价值:1分钟10马克斯16 marital_status中位数:32561 x1分类值:4443 Married-AF-spouse 23 Married-civ-spouse 14976年离婚Married-spouse-absent 418未婚10683分离1025 993年丧偶的种族:32561x1 categorical Values: american -印第安-爱斯基莫人311亚裔- pac - islander 1039黑人3124其他271白人27816性别:32561x1 categorical Values: Female 10771 Male 21790 capital_gain: 32561x1 double value: Min 0 Median 0 Max 99999 capital_loss: 32561x1 double value: Min 0 Median 0 Max 4356 hours_per_week: 32561x1 double value: Min 1 Median 40 Max 99工资:32561x1 categorical Values: <=50K 24720 >50K 7841
因为与连续变量中的级别相比，类别变量中表示的类别较少，标准CART预测器拆分算法更倾向于拆分连续预测器而不是类别变量。
使用整个数据集训练分类树。要生长无偏树，请指定用于分裂预测器的曲率测试的用法。由于数据中缺少观察值，请指定代理分割的用法。
Mdl = fitctree (X,“工资”，“PredictorSelection”，“弯曲”，.．.“代孕”，“上”）;
通过将每个预测器上的分裂导致的风险变化相加，并将总和除以分支节点的数量，估计预测器重要性值。用条形图比较估算值。
小鬼= predictorImportance (Mdl);图;酒吧(imp);标题(的预测估计的重要性）;ylabel (“估计”）;包含(“预测”）;甘氨胆酸h =;h.XTickLabel = Mdl.PredictorNames;h.XTickLabelRotation = 45;h.TickLabelInterpreter =“没有”；
在这种情况下,capital_gain是最重要的预测因素，其次是education_num．
更多关于
扩展功能
您也可以从以下列表中选择网站: