估计数据中所有预测变量的预测重要性。

加载carsmall数据集。

负载carsmall

为的生长一个回归树英里/加仑使用加速度，气缸，位移，马力，Model_Year,重量为预测因子。

X =[加速缸排量马力型号_年重量];树= fitrtree (X, MPG);

估计所有预测变量的预测重要性。

小鬼= predictorImportance(树)

小鬼=1×60.0647 0.1068 0.1155 0.1411 0.3348 2.6565

重量这是最后一个预测指标，它对里程的影响最大。对预测影响最小的预测器是第一个变量，即加速度．

估计数据中所有变量的预测器重要性，以及回归树中包含代理分支的位置。

加载carsmall数据集。

负载carsmall

为的生长一个回归树英里/加仑使用加速度，气缸，位移，马力，Model_Year,重量为预测因子。指定以标识代理分割。

X =[加速缸排量马力型号_年重量];树= fitrtree (X,英里/加仑,“代孕”，“上”）;

估计所有预测变量的预测重要性。

小鬼= predictorImportance(树)

小鬼=1×61.0449 2.4560 2.5570 2.5788 2.0832 2.8938

比较小鬼结果是估计预测的重要性，重量还是对里程影响最大，但是气缸是第四个最重要的预测因素。

加载carsmall数据集。考虑一个模型，它可以根据加速度、气缸数量、发动机排量、马力、制造商、型号年份和重量来预测汽车的平均燃油经济性。考虑气缸，制造行业,Model_Year作为分类变量。

负载carsmall气缸=分类(缸);及时通知=分类(cellstr (Mfg));Model_Year =分类(Model_Year);X =表(加速、气缸、排量、马力、制造行业,.．.Model_Year、重量、MPG);

显示类别变量中表示的类别数。

numCylinders =元素个数(类别(气缸))

numCylinders = 3

numMfg =元素个数(类别(有限公司))

numMfg = 28

numModelYear =元素个数(类别(Model_Year))

numModelYear = 3

因为只有三个类别气缸而且Model_Year，标准CART，预测器拆分算法更喜欢拆分连续预测器而不是这两个变量。

使用整个数据集训练一个回归树。要生长无偏树，请指定用于分裂预测器的曲率测试的用法。由于数据中缺少值，请指定代理分割的用法。

Mdl = fitrtree (X,“英里”，“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,位移是最重要的预测因素，其次是马力．