fsrftest
用于回归的单变量特征排序F测试
语法
描述
idx= fsrftest (资源描述，ResponseVarName）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，其中包含预测因子的指数，按预测因子的重要性、意义排序idx (1)是指数最重要的预测指标。你可以用idx为回归问题选择重要的预测因子。
例子
矩阵中的秩预测器
在数字矩阵中对预测器进行排序，并创建预测器重要性分数的条形图。
加载样例数据。
负载robotarm.mat
的robotarm数据集包含7168个训练结果(Xtrain而且ytrain)和1024个测试观察(Xtest而且欧美)，共32项功能[1][２]．
利用训练观察结果对预测因子进行排序。
[idx,scores] = fsrftest(Xtrain,ytrain);
中的值分数是负对数吗p值。如果一个p-value小于每股收益(0)，则对应的分值为正．在创建条形图之前，确定是否分数包括正值。
找到(isinf(分数)
Ans = 1x0空双行向量
分数不包括正值。如果分数包括正价值观，你可以替换正在创建条形图之前用一个很大的数字来表示。详情请参见对表中的预测器进行排序．
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 (“预测重要性评分”）
选择前五个最重要的预测因素。找到这些预测器的列Xtrain．
idx (1:5)
ans =1×530 24 10 4 5
第30列Xtrain是最重要的预测因素吗ytrain．
对表中的预测器进行排序
在表格中对预测器进行排序，并创建预测器重要性评分的条形图。
如果您的数据在一个表和fsrftest对表中变量的子集进行排序，然后函数只使用该子集对变量进行索引。因此，一个好的实践是将您不想排序的预测器移动到表的末尾。同时移动响应变量和观测权重向量。然后，输出参数的索引与表的索引一致。方法可以移动表中的变量movevars函数。
下载数据并将其保存在当前文件夹中“abalone.csv”．
url =“https://archive.ics.uci.edu/ml/machine-learning-databases/abalone/abalone.data”；websave (“abalone.csv”url);
读取表中的数据。
TBL =可读的(“abalone.csv”，“文件类型”，“文本”，“ReadVariableNames”、假);tbl.Properties.VariableNames = {“性”，“长度”，“直径”，“高度”，.．.“WWeight”，“SWeight”，“VWeight”，“ShWeight”，“NoShellRings”}；
预览表的前几行。
头(台)
ans =8×9表性长度直径高度WWeight SWeight VWeight ShWeight NoShellRings _____ ______ ________ ______ _______ _______ _______ ________ ____________ {' M} 0.455 0.365 0.095 0.514 0.2245 0.101 0.15 15{“M”}0.35 0.265 0.09 0.2255 0.0995 0.0485 0.07 7 {' F '} 0.53 0.42 0.135 0.677 0.2565 0.1415 0.21 9{“M”}0.44 0.365 0.125 0.516 0.2155 0.114 0.155 10{“我”}0.33 0.255 0.08 0.205 0.0895 0.0395 0.055 7{“我”}0.425 0.3 0.095 0.3515 0.141 0.0775 0.12 8 {' F '} 0.53 0.415 0.15 0.7775 0.237 0.1415 0.33 20{' f '} 0.545 0.425 0.125 0.768 0.294 0.1495 0.26 16
表中的最后一个变量是响应变量。
对预测因子进行排序资源描述．指定最后一列NoShellRings作为响应变量。
[idx,scores] = fsrftest(tbl，“NoShellRings”）
idx =1×83 4 5 7 8 2 6 1
成绩=1×8447.6891 736.9619 Inf Inf Inf Inf 604.6692 Inf Inf
中的值分数是负对数吗p值。如果一个p-value小于每股收益(0)，则对应的分值为正．在创建条形图之前，确定是否分数包括正值。
idxInf = find(isinf(scores))
idxInf =1×53 4 5 7 8
分数包括5个正值。
创建预测者重要性分数的条形图。的预测器名称x-轴刻度标签。
栏(分数(idx))包含(“预测排名”) ylabel (“预测重要性评分”) xticklabels (strrep (tbl.Properties.VariableNames (idx),“_”，“\ _”) xtickangle (45)
的酒吧函数没有绘制任何条正值。为正与最大有限分数长度相同的值、图条。
持有在酒吧(分数(idx(长度(idxInf) + 1) *(长度(idxInf), 1))传说(“有限的分数”，“正分数”)举行从
柱状图使用不同的颜色显示有限分数和Inf分数。
输入参数
输出参数
算法
参考文献
[1]拉斯穆森，C. E.， R. M.尼尔，G. E.辛顿，D.范坎普，M. Revow, Z. Ghahramani, R. Kustra, R. Tibshirani。DELVE手册，1996年。
多伦多大学计算机科学系。深入研究数据集。
纳什，w.j.， T. L.塞勒斯，S. R.塔尔博特，A. J.考索恩，W. B.福特。鲍鱼种群生物学(石决明物种)在塔斯马尼亚。一、黑唇鲍鱼(h . rubra)从北海岸和巴斯海峡的岛屿。”海洋渔业司，技术报告第48号，1994年。
哇，S。级联相关的扩展和基准测试:前馈监督人工神经网络的级联相关体系结构和基准测试的扩展。塔斯马尼亚大学计算机科学系论文, 1995年。
UCI机器学习库。加州尔湾:加州大学信息与计算机科学学院，2013。http://archive.ics.uci.edu/ml。
版本历史
在R2020a中引入
您也可以从以下列表中选择网站: