Esta página aún no se ha traducido para esta versión. Puede ver la versión más reciente de esta página en inglés.

predictorImportance

Las estimaciones de importancia predictora

Sintaxis

imp = predictorImportance(ens)
[imp,ma] = predictorImportance(ens)

Descripción

imp = predictorImportance(ens) calcula estimaciones de importancia predictora para sumando estas estimaciones sobre todos los estudiantes débiles en el conjunto. tiene un elemento para cada predictor de entrada en los datos utilizados para entrenar a este conjunto.ensimp Un valor alto indica que este predictor es importante para.ens

[imp,ma] = predictorImportance(ens) Devuelve una-por-matriz con medidas predictivas de Asociación para predictores, cuando los alumnos en contienen divisiones sustitutas.PPPens Ver.Más acerca de

Argumentos de entrada

ens

Un conjunto de clasificación creado por, o por elfitcensemble compact Método.

Argumentos de salida

imp

Un vector de fila con el mismo número de elementos que el número de predictores (columnas) en.ens.X Las entradas son las estimaciones de importancia predictora, con la representación de la menor importancia posible.0

ma

A-por-matriz de medidas predictivas de Asociación para predictores.PPP Element es la medida predictiva de asociación promediada sobre divisiones sustitutas en el predictor para el cual el predictor es el predictor de división óptimo. promedios de esta medida predictiva de asociación sobre todos los árboles en el conjunto.ma(I,J)JIpredictorImportance

Ejemplos

expandir todo

Estime la importancia del predictor para todas las variables en los datos de iris de Fisher.

Cargue el conjunto de datos de iris de Fisher.

load fisheriris

Entrenar un conjunto de clasificación utilizando AdaBoostM2. Especifique los tocones de árbol como los alumnos débiles.

t = templateTree('MaxNumSplits',1); ens = fitcensemble(meas,species,'Method','AdaBoostM2','Learners',t);

Estimar la importancia del predictor para todas las variables predictoras.

imp = predictorImportance(ens)
imp = 1×4

    0.0004    0.0016    0.1266    0.0324

Los dos primeros predictores no son muy importantes en el conjunto.

Calcule la importancia del predictor para todas las variables en los datos de iris de Fisher para un conjunto donde los árboles contengan divisiones sustitutas.

Cargue el conjunto de datos de iris de Fisher.

load fisheriris

Haz crecer un conjunto de 100 árboles de clasificación usando AdaBoostM2. Especifique los tocones de árbol como los alumnos débiles y también identifique las divisiones sustitutas.

t = templateTree('MaxNumSplits',1,'Surrogate','on'); ens = fitcensemble(meas,species,'Method','AdaBoostM2','Learners',t);

Estimar la importancia predictiva y las medidas predictivas de Asociación para todas las variables predictoras.

[imp,ma] = predictorImportance(ens)
imp = 1×4

    0.0674    0.0417    0.1582    0.1537

ma = 4×4

    1.0000         0         0         0
    0.0115    1.0000    0.0022    0.0054
    0.3186    0.2137    1.0000    0.6391
    0.0392    0.0073    0.1137    1.0000

Los dos primeros predictores muestran mucha más importancia que el análisis en.Estimar la importancia del predictor

Más acerca de

expandir todo

Algoritmos

Element es la medida predictiva de asociación promediada sobre divisiones sustitutas en el predictor para el cual el predictor es el predictor de división óptimo.ma(i,j)ji Este promedio se calcula sumando valores positivos de la medida predictiva de asociación sobre las divisiones óptimas en el predictor y las divisiones sustitutas en el predictor y dividiendo por el número total de divisiones óptimas en el predictor, incluyendo las divisiones para las cuales el medida predictiva de asociación entre predictores y es negativa.ijiij