fscmrmr

利用最小冗余最大相关性(MRMR)算法对分类特征进行排序

在页面中全部折叠

语法

ResponseVarName idx = fscmrmr(台)

idx = fscmrmr(资源描述、公式)

idx = fscmrmr(资源描述,Y)

idx = fscmrmr (X, Y)

idx = fscmrmr (___、名称、值)

[idx,分数]= fscmrmr (___）

描述

idx= fscmrmr (资源描述，ResponseVarName）对特性(预测器)进行排序MRMR算法．表资源描述包含预测变量和响应变量，和ResponseVarName响应变量的名称是否在资源描述．函数返回idx，其中包含按预测器重要性排序的预测器指数。您可以使用idx为分类问题选择重要的预测因子。

idx= fscmrmr (资源描述，公式）中的变量中指定要考虑的响应变量和预测器变量资源描述通过使用公式．

例子

idx= fscmrmr (资源描述，Y）排名预测资源描述使用响应变量Y．

例子

idx= fscmrmr (X，Y）排名预测X使用响应变量Y．

idx= fscmrmr (___，名称,值）除前面语法中的任何输入参数组合外，还使用一个或多个名称-值对参数指定其他选项。例如，您可以指定先验概率和观测权重。

［idx，分数) = fscmrmr (___）还返回预测器分数分数．较大的评分值表明相应的预测因子是重要的。

例子

全部折叠

根据重要性对预测器进行排名

打开生活的脚本

加载样例数据。

负载电离层

根据重要性对预测器进行排序。

[idx,分数]= fscmrmr (X, Y);

创建预测者重要性分数的条形图。

栏(分数(idx))包含(“预测排名”) ylabel (“预测重要性分数”）

图中包含一个axes对象。axes对象包含一个bar类型的对象。

第一和第二重要预测因子之间的分数下降较大，而第六重要预测因子之后的分数下降相对较小。重要性分数的下降表示特征选择的置信度。因此，大幅下降意味着软件有信心选择最重要的预测因子。小的下降表明预测因子的重要性差异不显著。

选择前五个最重要的预测因素。找到这些预测器的列X．

idx (1:5)

ans =1×55 4 1 7 24

第五列X是最重要的预测因素吗Y．

两种分类模型的特征选择与精度比较

打开生活的脚本

找到重要的预测器fscmrmr．然后比较完整分类模型(使用所有预测因子)和简化模型(使用5个最重要的预测因子)的准确性testckfold．

加载census1994数据集。

负载census1994

表adultdata在census1994它包含了来自美国人口普查局的人口数据，用来预测一个人的年收入是否超过5万美元。显示表的前三行。

头(adultdata, 3)

年龄workClass fnlwgt教育education_num marital_status种族职业关系性capital_gain capital_loss hours_per_week native_country薪水  ___ ________________ __________ _________ _____________ __________________ _________________ _____________ _____ ____ ____________ ____________ ______________ ______________ ______ 39 State-gov 77516单身汉13未婚Adm-clerical家族的白人男性2174 0 40美国< = 50 k 50 Self-emp-not-inc 83311单身汉13已婚公民配偶行政管理丈夫白人男性0 0 13美国<=50K 38二等兵2.1565e+05 hs毕业生9离异杂工清洁工非家庭成员白人男性0 0 40美国<=50K

的输出参数fscmrmr只包含按函数排序的变量。在将表传递给函数之前，将不希望排序的变量(包括响应变量和权重)移动到表的末尾，以便输出参数的顺序与表的顺序一致。

表中adultdata，第三列fnlwgt是样本的权重，和最后一列工资是响应变量。移动fnlwgt的左边工资通过使用movevars函数。

adultdata = movevars (adultdata,“fnlwgt”，“之前”，“工资”）;头(adultdata, 3)

种族性别年龄workClass教育education_num marital_status职业关系capital_gain capital_loss hours_per_week native_country fnlwgt薪水  ___ ________________ _________ _____________ __________________ _________________ _____________ _____ ____ ____________ ____________ ______________ ______________ __________ ______ 39 State-gov单身汉13未婚Adm-clerical家族的白人男性2174 0 77516美国< = 50 k 50 Self-emp-not-inc单身汉13已婚公民配偶行政管理丈夫白人男性0 0 13美国83311 <=50K 38私立hs毕业生9离异杂工清洁工非家庭成员白人男性0 0 40美国2.1565 +05 <=50K

对预测因子进行排序adultdata．指定的列工资作为响应变量。

[idx,分数]= fscmrmr (adultdata,“工资”，“重量”，“fnlwgt”）;

创建预测者重要性分数的条形图。的预测器名称x设在标记标签。

栏(分数(idx))包含(“预测排名”) ylabel (“预测重要性分数”) xticklabels (strrep (adultdata.Properties.VariableNames (idx),“_”，“\ _”) xtickangle (45)

图中包含一个axes对象。axes对象包含一个bar类型的对象。

五个最重要的预测因素是的关系，capital_loss，capital_gain，教育,hours_per_week．

比较使用所有预测因子训练的分类树的准确性与使用五个最重要预测因子训练的分类树的准确性。

使用默认选项创建分类树模板。

C = templateTree;

定义表tbl1以包含所有预测器和表tbl2包含五个最重要的预测因子。

tbl1 = adultdata (:, adultdata.Properties.VariableNames (idx (1:13)));tbl2 = adultdata (:, adultdata.Properties.VariableNames (idx (1:5)));

将分类树模板和两个表传递给testckfold函数。该函数通过重复交叉验证来比较两个模型的准确性。指定“替代”、“大”检验零假设，即包含所有预测因子的模型，最多与包含五个预测因子的模型一样准确。的“更大的”选项在以下情况下可用“测试”是“5 x2t”(5×2配对t测试)或“10 x10t”(10 *重复交叉验证t测试)。

(h p) = testckfold (C, C, tbl1、tbl2 adultdata.salary,“重量”adultdata.fnlwgt,“替代”，“更大的”，“测试”，“5 x2t”）

h =逻辑0

p = 0.9969

h等于0p-value几乎为1，表明无法拒绝零假设。与使用所有预测因子的模型相比，使用带有五个预测因子的模型并不会导致准确性的损失。

现在，使用选定的预测器训练分类树。

mdl = fitctree (adultdata,“工资~人际关系+资本损失+资本收益+教育+每周小时”，.．.“重量”adultdata.fnlwgt)

mdl = ClassificationTree PredictorNames: {1x5 cell} ResponseName: 'salary' CategoricalPredictors: [1 2] ClassNames: [<=50K >50K] ScoreTransform: 'none' NumObservations: 32561属性，方法

输入参数

全部折叠

`资源描述`- - - - - -样本数据
表格

示例数据，指定为表。不允许多列变量和字符向量的单元格数组以外的单元格数组。

每一行的资源描述对应一个观察结果，每一列对应一个预测变量。可选地,资源描述可以包含用于响应变量和观察权重的附加列。

响应变量可以是类别、字符或字符串数组、逻辑或数字向量，或者字符向量的单元格数组。如果响应变量是字符数组，则响应变量的每个元素必须对应数组的一行。

如果资源描述包含响应变量，并且希望在中使用所有剩余变量资源描述作为预测器，然后通过使用指定响应变量ResponseVarName．如果资源描述还包含观察权重，那么您可以使用权重．
如果资源描述包含响应变量，并且您希望仅使用其余变量的子集资源描述作为预测器，然后通过使用指定变量的子集公式．
如果资源描述不包含响应变量，则使用Y．响应变量和资源描述必须有相同的行数。

如果fscmrmr中使用变量的子集资源描述作为预测器，函数只使用子集索引预测器。中的值“CategoricalPredictors”名称-值对参数和输出参数idx不要计算函数不排序的预测器。

fscmrmr认为南，”(空字符向量),＂＂(空字符串),< >失踪,<定义>值资源描述响应变量缺少值。fscmrmr不为响应变量使用缺少值的观察值。

数据类型:表格

`ResponseVarName`- - - - - -响应变量名
中包含变量名的字符向量或字符串标量`资源描述`

响应变量名，指定为字符向量或字符串标量，其中包含变量的名称资源描述．

例如，如果响应变量是列Y的资源描述（资源描述。Y),然后指定ResponseVarName作为“Y”．

数据类型:字符|字符串

`公式`- - - - - -响应变量和预测变量子集的解释模型
特征向量|字符串标量

响应变量和预测变量子集的解释模型，在形式中指定为字符向量或字符串标量“Y ~ x1 + x2 + x3”．在这种形式,Y表示响应变量，和x1，x2,x3表示预测变量。

中指定变量的子集资源描述作为预测指标，使用公式。如果你指定一个公式，那么fscmrmr没有对任何变量进行排序资源描述没有出现在公式．

公式中的变量名必须是资源描述（Tbl.Properties.VariableNames)和有效的MATLAB^®标识符。中的变量名可以进行验证资源描述通过使用isvarname函数。如果变量名无效，则可以使用matlab.lang.makeValidName函数。

数据类型:字符|字符串

`Y`- - - - - -反应变量
数值向量|分类向量|逻辑向量|字符数组|字符串数组|字符向量的单元格数组

响应变量，指定为数值、类别或逻辑向量、字符或字符串数组或字符向量的单元格数组。每一行的Y的对应行的标签X．

fscmrmr认为南，”(空字符向量),＂＂(空字符串),< >失踪,<定义>值Y丢失的值fscmrmr不使用缺失值的观察Y．

数据类型:单|双|分类|逻辑|字符|字符串|细胞

`X`- - - - - -预测数据
数字矩阵

预测数据，指定为数值矩阵。每一行的X对应一个观察结果，每一列对应一个预测变量。

数据类型:单|双

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-值参数必须出现在其他参数之后，但对的顺序并不重要。

在R2021a之前，名称和值之间用逗号隔开，并括起来的名字在报价。

例子:“CategoricalPredictors”,[1 - 2],“详细”,2将前两个预测变量指定为类别变量，并将冗长级别指定为2。

`CategoricalPredictors`- - - - - -直言预测符列表
正整数向量|逻辑向量|字符矩阵|字符串数组|字符向量的单元格数组|`“所有”`

类别预测器的列表，指定为此表中的值之一。

价值	描述
正整数向量	向量中的每个条目都是一个索引值，指示对应的预测器是分类的。索引值在1和之间`p`,在那里`p`用于训练模型的预测器的数量。如果`fscmrmr`使用输入变量的子集作为预测器，然后函数只使用该子集对预测器进行索引。的`CategoricalPredictors`值不计算响应变量、观察权重变量或函数没有使用的任何其他变量。
逻辑向量	一个`真正的`入口意味着对应的预测因子是绝对的。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。名字必须和里面的名字一致`资源描述`．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。名字必须和里面的名字一致`资源描述`．
`“所有”`	所有的预测都是绝对的。

默认情况下，如果预测器数据在表中(资源描述)，fscmrmr如果变量是逻辑向量、无序分类向量、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(X)，fscmrmr假设所有的预测器都是连续的。要将任何其他预测器标识为类别预测器，请使用CategoricalPredictors名称-值参数。

例子:“CategoricalPredictors”、“所有”

例子:CategoricalPredictors=[1 5 6 8]

数据类型:单|双|逻辑|字符|字符串|细胞

`一会`- - - - - -用于排序的类的名称
分类数组|字符数组|字符串数组|逻辑向量|数值向量|字符向量的单元格数组

用于排序的类的名称，指定为逗号分隔的对，由“类名”和类别、字符或字符串数组、逻辑或数字向量或字符向量的单元格数组。一会必须具有与?相同的数据类型Y或者说响应变量资源描述．

如果一会是字符数组，则每个元素必须对应于数组的一行。

使用“类名”:

的顺序之前与类顺序对应的维度。
选择一个类的子集进行排名。例如，假设所有不同的类名的集合Y是{' a ', ' b ', ' c '}．利用类的观察结果对预测因子进行排序“一个”而且“c”只是,指定“类名”,{' a ', ' c '}．

的默认值。“类名”所有不同的类名的集合是否在Y或者说响应变量资源描述．默认的“类名”如果响应变量是有序的，则值具有数学顺序。否则，默认值按字母顺序排列。

例子:“类名”,{' b ', ' g '}

数据类型:分类|字符|字符串|逻辑|单|双|细胞

`之前`- - - - - -先验概率
`“经验”`(默认)|`“统一”`|标量值向量|结构

每个类的先验概率，指定为以下之一:

字符向量或字符串标量。
- “经验”中的响应变量中的类频率确定类概率Y或资源描述．如果你通过观察权重，fscmrmr用权重来计算类概率。
- “统一”将所有类的概率设置为相等。
Vector(每个类的一个标量值)。的对应元素的类顺序“之前”,设置“类名”名称-值参数。
结构年代两个字段。
- S.ClassNames中的响应变量类型相同的变量包含类名Y或资源描述．
- S.ClassProbs包含相应概率的向量。

fscmrmr规范化每个类中的权重(“重量”)加起来，就等于各自类别的先验概率的值。

例子:“前”、“制服”

数据类型:字符|字符串|单|双|结构体

`UseMissing`- - - - - -指示是否在预测器中使用缺失值
`假`(默认)|`真正的`

指示是否在预测器中使用缺失值，指定为任意一种真正的使用值进行排序，或假丢弃值。

fscmrmr认为南，”(空字符向量),＂＂(空字符串),< >失踪,<定义>值将丢失值。

如果您指定UseMissing作为真正的,然后fscmrmr使用缺少的值进行排序。对于一个类别变量，fscmrmr将缺失的值作为额外的类别处理。对于连续变量，fscmrmr的地方南值在单独的bin中进行bin。

如果您指定UseMissing作为假,然后fscmrmr不使用缺失值进行排序。因为fscmrmr计算每对变量的互信息，当该行缺少部分值时，函数不会丢弃整行。fscmrmr使用不包含缺失值的所有对值。

例子:“UseMissing”,真的

例子:UseMissing = true

数据类型:逻辑

`详细的`- - - - - -冗长的水平
`0`(默认)|非负整数

冗长级别，指定为逗号分隔的对，由“详细”和一个非负整数。的价值详细的控制软件在命令窗口中显示的诊断信息的数量。

0 -fscmrmr不显示任何诊断信息。
1 -fscmrmr显示计算所花费的时间互信息和排名预测。
≥2 -fscmrmr显示与计算互信息相关的运行时间和更多消息。信息量随着你的增加而增加“详细”价值。

例子:“详细”,1

数据类型:单|双

`权重`- - - - - -观察权重
`(大小(X, 1), 1)`(默认)|标量值向量|变量的名称`资源描述`

观察权值，用逗号分隔的对表示“重量”和标量值的向量或者变量的名称资源描述．函数对每一行的观测值进行加权X或资源描述的对应值权重．的大小权重必须等于中的行数X或资源描述．

如果将输入数据指定为表资源描述,然后权重变量的名称可以在资源描述它包含一个数字向量。在这种情况下，您必须指定权重作为字符向量或字符串标量。例如，如果权重向量是列W的资源描述（资源描述。W),然后指定“权重”W”．

fscmrmr将每个类的权重归一化，使其加起来等于各自类的先验概率值。

数据类型:单|双|字符|字符串

输出参数

全部折叠

`idx`-根据预测器重要性排序的预测器指数
数值向量

中的预测指标X或资源描述根据预测器重要性排序，以1乘-的形式返回r数字矢量,r是排序预测因子的数量。

如果fscmrmr中使用变量的子集资源描述作为预测器，函数只使用子集索引预测器。例如,假设资源描述包含10列，并指定的最后5列资源描述作为预测变量公式．如果idx (3)是5，那么第三个最重要的预测因子是第10列资源描述，这是子集中的第五个预测因子。

`分数`——预测分数
数值向量

预测分数，返回为1 × -r数字矢量,r是排序预测因子的数量。

较大的评分值表明相应的预测因子是重要的。此外，特征重要性得分的下降表示特征选择的信心。例如，如果软件有信心选择一个特性x，则下一个最重要特征的分值远小于x．

如果你使用X指定预测器或使用所有的变量资源描述作为预测器，那么值分数和预测的顺序一样吗X或资源描述．
中指定变量的子集资源描述作为预测器，那么值分数与子集的顺序相同。

例如,假设资源描述包含10列，并指定的最后5列资源描述作为预测变量公式．然后,分数(3)中第8列的分数值资源描述，这是子集中的第三个预测因子。

算法

全部折叠

最小冗余最大相关性(MRMR)算法

MRMR算法[1]找到一个最优的特征集，是相互和最大不相似的，并能有效地表示响应变量。该算法使特征集的冗余最小化，使特征集与响应变量的相关性最大化。该算法利用变量的互信息-特征的两两互信息和特征与响应的互信息来量化冗余和相关性。你可以用这个算法来解决分类问题。

MRMR算法的目标是找到一个最优集合年代最大化的特征V_年代的相关性。年代对于响应变量y,最大限度地减少W_年代的冗余度年代,在那里V_年代而且W_年代定义与互信息我：

$V_{年代} ＝ \frac{1}{| 年代 |} \sum_{x \in 年代} 我（ x ， y ），$

$W_{年代} ＝ \frac{1}{{| 年代 |}^{2}} \sum_{x ， z \in 年代} 我（ x ， z ）．$

|的|功能的数量在吗年代．

寻找最优集合年代需要考虑所有2^|Ω|组合,Ω是整个功能集。相反，MRMR算法通过正向相加方案对特征进行排序，这需要O(|Ω|·|年代|)通过使用互信息商(MIQ)值进行计算。

${进行筛选}_{x} ＝ \frac{V_{x}}{W_{x}} ，$

在哪里V_x而且W_x为特征的相关性和冗余度，分别为:

$V_{x} ＝我（ x ， y ），$

$W_{x} ＝ \frac{1}{| 年代 |} \sum_{z \in 年代} 我（ x ， z ）．$

的fscmrmr功能将所有的功能排列在一起Ω并返回idx(按特征重要性排序的特征指数)使用MRMR算法。因此，计算成本变成O(|Ω|²）．该函数使用启发式算法量化特征的重要性，并返回一个分数(分数)．较大的评分值表明相应的预测因子是重要的。此外，特征重要性得分的下降表示特征选择的信心。例如，如果软件有信心选择一个特性x，则下一个最重要特征的分值远小于x．您可以使用输出找到一个最优集合年代对于给定数量的特征。

fscmrmrrank的特点如下:

选择相关性最大的特征， $\underset{x \in Ω}{马克斯} V_{x}$ ．将所选特性添加到空集合中年代．
的补中找出非零相关性和零冗余度的特征年代，年代^c．
- 如果年代^c不包含非零相关性和零冗余的特性，请转到步骤4。
- 否则，选择相关性最大的特征， $\underset{x \in {年代}^{c} ， W_{x} ＝ 0}{马克斯} V_{x}$ ．将所选特性添加到集合中年代．
重复步骤2，直到所有特征的冗余度不为零年代^c．
选择MIQ值最大、相关度非零、冗余非零的特征年代^c，并将所选特征添加到集合中年代．

$\underset{x \in {年代}^{c}}{马克斯} {进行筛选}_{x} ＝ \underset{x \in {年代}^{c}}{马克斯} \frac{我（ x ， y ）}{\frac{1}{| 年代 |} \sum_{z \in 年代} 我（ x ， z ）} ．$
重复步骤4，直到所有特征的相关性为零年代^c．
添加与之无关的特性年代以随机的顺序。

如果软件不能找到满足该步骤中描述的条件的特征，它可以跳过任何步骤。

参考文献

[1]丁，C，彭h。"从微阵列基因表达数据中选择最小冗余特征"生物信息学与计算生物学杂志。2005年第3卷第2期，185-205页。

[2]达贝利，G. A.和I.瓦伊达。“通过对观测空间的自适应划分来估计信息。”《IEEE信息论汇刊》。1999年第45卷第4期，第1315-1321页。

版本历史

介绍了R2019b

全部展开

R2020a:指定`“UseMissing”,真的`在预测器中使用缺失值进行排序

从R2020a开始，您可以通过使用“UseMissing”名称-值对的论点。的默认值。“UseMissing”是假因为统计和机器学习工具箱™中的大多数分类训练函数都不使用缺失值进行训练。

在R2019b,fscmrmr默认情况下在预测器中使用缺失值。要更新代码，请指定“UseMissing”,真的．

另请参阅

relieff|sequentialfs|fsulaplacian|fscnca

fscmrmr

语法

描述

例子

根据重要性对预测器进行排名

两种分类模型的特征选择与精度比较

输入参数

`资源描述`- - - - - -样本数据
表格

`ResponseVarName`- - - - - -响应变量名
中包含变量名的字符向量或字符串标量`资源描述`

`公式`- - - - - -响应变量和预测变量子集的解释模型
特征向量|字符串标量

`Y`- - - - - -反应变量
数值向量|分类向量|逻辑向量|字符数组|字符串数组|字符向量的单元格数组

`X`- - - - - -预测数据
数字矩阵

名称-值参数

`CategoricalPredictors`- - - - - -直言预测符列表
正整数向量|逻辑向量|字符矩阵|字符串数组|字符向量的单元格数组|`“所有”`

`一会`- - - - - -用于排序的类的名称
分类数组|字符数组|字符串数组|逻辑向量|数值向量|字符向量的单元格数组

`之前`- - - - - -先验概率
`“经验”`(默认)|`“统一”`|标量值向量|结构

`UseMissing`- - - - - -指示是否在预测器中使用缺失值
`假`(默认)|`真正的`

`详细的`- - - - - -冗长的水平
`0`(默认)|非负整数

`权重`- - - - - -观察权重
`(大小(X, 1), 1)`(默认)|标量值向量|变量的名称`资源描述`

输出参数

`idx`-根据预测器重要性排序的预测器指数
数值向量

`分数`——预测分数
数值向量

更多关于

互信息

算法

最小冗余最大相关性(MRMR)算法

参考文献

版本历史

R2020a:指定`“UseMissing”,真的`在预测器中使用缺失值进行排序

另请参阅

主题

fscmrmr

语法

描述

例子

根据重要性对预测器进行排名

两种分类模型的特征选择与精度比较

输入参数

资源描述- - - - - -样本数据表格

ResponseVarName- - - - - -响应变量名中包含变量名的字符向量或字符串标量资源描述

公式- - - - - -响应变量和预测变量子集的解释模型特征向量|字符串标量

Y- - - - - -反应变量数值向量|分类向量|逻辑向量|字符数组|字符串数组|字符向量的单元格数组

X- - - - - -预测数据数字矩阵

名称-值参数

CategoricalPredictors- - - - - -直言预测符列表正整数向量|逻辑向量|字符矩阵|字符串数组|字符向量的单元格数组|“所有”

一会- - - - - -用于排序的类的名称分类数组|字符数组|字符串数组|逻辑向量|数值向量|字符向量的单元格数组

之前- - - - - -先验概率“经验”(默认)|“统一”|标量值向量|结构

UseMissing- - - - - -指示是否在预测器中使用缺失值假(默认)|真正的

详细的- - - - - -冗长的水平0(默认)|非负整数

权重- - - - - -观察权重(大小(X, 1), 1)(默认)|标量值向量|变量的名称资源描述

输出参数

idx-根据预测器重要性排序的预测器指数数值向量

分数——预测分数数值向量

更多关于

互信息

算法

最小冗余最大相关性(MRMR)算法

参考文献

版本历史

R2020a:指定“UseMissing”,真的在预测器中使用缺失值进行排序

另请参阅

主题

`资源描述`- - - - - -样本数据
表格

`ResponseVarName`- - - - - -响应变量名
中包含变量名的字符向量或字符串标量`资源描述`

`公式`- - - - - -响应变量和预测变量子集的解释模型
特征向量|字符串标量

`Y`- - - - - -反应变量
数值向量|分类向量|逻辑向量|字符数组|字符串数组|字符向量的单元格数组

`X`- - - - - -预测数据
数字矩阵

`CategoricalPredictors`- - - - - -直言预测符列表
正整数向量|逻辑向量|字符矩阵|字符串数组|字符向量的单元格数组|`“所有”`

`一会`- - - - - -用于排序的类的名称
分类数组|字符数组|字符串数组|逻辑向量|数值向量|字符向量的单元格数组

`之前`- - - - - -先验概率
`“经验”`(默认)|`“统一”`|标量值向量|结构

`UseMissing`- - - - - -指示是否在预测器中使用缺失值
`假`(默认)|`真正的`

`详细的`- - - - - -冗长的水平
`0`(默认)|非负整数

`权重`- - - - - -观察权重
`(大小(X, 1), 1)`(默认)|标量值向量|变量的名称`资源描述`

`idx`-根据预测器重要性排序的预测器指数
数值向量

`分数`——预测分数
数值向量

R2020a:指定`“UseMissing”,真的`在预测器中使用缺失值进行排序