partialDependence
计算部分依赖
语法
描述
pd= partialDependence (RegressionMdl，var）pd中列出的预测变量之间var并利用回归模型进行预测RegressionMdl，其中包含预测数据。
pd= partialDependence (ClassificationMdl，var，标签）pd中列出的预测变量之间var以及指定课程的分数标签通过使用分类模型ClassificationMdl，其中包含预测数据。
例子
计算并绘制单变量偏依赖关系图
训练朴素贝叶斯分类模型fisheriris数据集，并计算偏依赖值，显示预测变量和多个类的预测得分(后验概率)之间的关系。
加载fisheriris数据集，其中包含物种(物种)及测量(量)对150个鸢尾标本的萼片长度、萼片宽度、花瓣长度和花瓣宽度的影响。数据集包含三个物种的各50个标本:濑蝶、百色蝶和处女蝶。
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(量、种类、“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)的偏依赖值Mdl对于所有三类物种．方法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的偏依赖值。您可以使用绘图函数来绘制计算出的偏依赖值情节而且酒吧．情节pd反对x通过使用酒吧函数。
栏(x, pd)传说(Mdl.ClassNames)包含(“花瓣长度”) ylabel (“分数”)标题(“部分依赖阴谋”）
根据这个模型，的概率virginica随花瓣长度增加。的概率setosa大约是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，您也可以使用plotPartialDependence函数来计算和绘制偏相关值。
plotPartialDependence (Mdl 3 Mdl.ClassNames)
计算和绘制多类双变量部分依赖关系图
训练分类模型的集合，计算多个类的两个变量的偏依赖值。然后绘制每个类的偏依赖值。
加载census1994数据集，包含美国的年薪数据，分类为< = 50 k或> 50 k，以及几个人口统计变量。
负载census1994
从表中提取要分析的变量子集adultdata．
X = adultdata (1:50 0,“年龄”，“workClass”，“education_num”，“marital_status”，“种族”，.．.“性”，“capital_gain”，“capital_loss”，“hours_per_week”，“工资”]);
训练分类树的随机森林fitcensemble并指定方法为“袋”．为了再现性，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对于这两个类(< = 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);
为第一个类(< = 50 k)，请使用冲浪函数。
图冲浪(x, y,挤压(pd(1::)))包含(“年龄”) ylabel (“教育\ _num”) zlabel (“班级成绩<=50K”)标题(“部分依赖阴谋”30)视图([130])修改查看角度
为第二类(> 50 k)．
图冲浪(x, y,挤压(pd(2::)))包含(“年龄”) ylabel (“教育\ _num”) zlabel (“>级成绩50K”)标题(“部分依赖阴谋”30)视图([130])修改查看角度
根据类的不同，两个图显示出不同的部分依赖模式。
计算和绘制多变量偏依赖回归图
训练支持向量机(SVM)回归模型carsmall数据集，并计算对两个预测变量的偏依赖性。然后，创建一个显示对两个变量的部分依赖关系的图，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．
台=表(重量、汽缸、排量、马力);
中的预测变量训练支持向量机回归模型资源描述响应变量英里/加仑．使用具有自动核尺度的高斯核函数。
Mdl = fitrsvm (MPG(资源,“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相关性(英里/加仑)的预测变量重量而且马力．方法指定计算部分依赖关系的查询点QueryPoints名称-值参数。
numPoints = 10;ptX = linspace (min(重量),max(重量),numPoints) ';企业= 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5 × 5平铺图表布局的图。函数绘制对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，以便直方图条的中心与查询点对齐。更改轴线属性以对齐图的轴线。
t = tiledlayout (5 5“TileSpacing”，“紧凑”）;ax₁= nexttile (2 (4, 4));显示亮度图像(x, y, pd)标题(“部分依赖阴谋”) colorbar (“eastoutside”ax₁。YDir =“正常”；ax2 = nexttile(22日[1,4]);dX = diff (ptX (1:2));edgeX = [ptX-dX / 2; ptX(结束)+ dX);直方图(重量,edgeX);包含(“重量”) xlim (ax1.XLim);ax3 = nexttile (1, 4, 1]);dY = diff(企业(1:2));edgeY = [ptY-dY / 2;企业(结束)+ (dY);直方图(马力,edgeY)包含(“马力”) xlim (ax1.YLim);ax3。XDir =“反向”；camroll (-90)
的每个元素pd指定图像图形的一个像素的颜色。与图像轴线对齐的直方图显示了预测因子的分布。
使用函数句柄指定模型
计算a的标签分数对预测变量的偏依赖性SemiSupervisedSelfTrainingModel对象。你不能通过SemiSupervisedSelfTrainingModel对象直接指向partialDependence函数。相反，应该定义一个自定义函数，该函数返回对象的标签得分，然后将该函数传递给partialDependence．
随机生成标记数据的15个观察值，三个类中每个类有5个观察值。
rng (“默认”）%的再现性labeledX = [randn(5,2)*0.25 + ones(5,2);randn (5,2) * 0.25 - 1 (2);randn (5,2) * 0.5);Y =[(5、1)的;(5、1)* 2;(1) * 3);
随机生成300个未标记数据的额外观察值，每个类100个观察值。
unlabeledX = [randn(100,2)*0.25 + ones(100,2);randn (100 2) * 0.25 - 1 (100 2);randn (100 2) * 0.5);
利用半监督自训练方法将标签拟合到未标记的数据中。这个函数fitsemiself返回一个SemiSupervisedSelfTrainingModel对象。
Mdl = fitsemiself (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本例结束．
计算分数的偏依赖性unlabeledX在所有类的每个变量上。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行的列向量或矩阵。将自定义模型指定为@ (X) myLabelScores (Mdl X)自定义函数使用训练过的模型Mdl并接受预测数据。
(pd1 x1) = partialDependence (@ (X) myLabelScores (Mdl X), 1, unlabeledX);(pd2 x2) = partialDependence (@ (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，您也可以使用plotPartialDependence函数来计算和绘制偏相关值。
为第一个变量和所有类创建偏依赖图。
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”）
自定义函数myLabelScores
函数= myLabelScores(Mdl,X) [~，scores] = predict(Mdl,X);结束
输入参数
输出参数
更多关于
算法
对于回归模型(RegressionMdl)和分类模型(ClassificationMdl)，partialDependence使用一个预测预测反应或分数的函数。partialDependence选择适当的预测函数根据模型和运行预测使用默认设置。有关各预测功能,请参见预测函数在下面两个表。如果指定的模型是基于树的模型(不包括树的增强集合)，那么partialDependence使用加权遍历算法代替预测函数。有关详细信息,请参见加权算法遍历．
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 |
| 支持向量机 | RegressionSVM，CompactRegressionSVM |
预测 |
分类模型对象
| 模型类型 | 完整或紧凑的分类模型对象 | 预测标签和分数的函数 |
|---|---|---|
| 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 | ClassificationECOC，CompactClassificationECOC |
预测 |
| 学习者集合进行分类 | ClassificationEnsemble，CompactClassificationEnsemble，ClassificationBaggedEnsemble |
预测 |
| 基于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最近的邻居模型 | 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 |
| 单类和二元分类的支持向量机 | 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
plotPartialDependence计算并绘制偏依赖值。该函数还可以创建个人条件期望(冰)的阴谋。
参考文献
[2]哈斯蒂，特雷弗，罗伯特·蒂布希拉尼，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
介绍了R2020b
您也可以从以下列表中选择网站: