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.PPP

Argumentos de entrada

ens

Un conjunto de regresión creado por, o por elfitrensemble 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

Estimar la importancia del predictor para todas las variables predictoras en los datos.

Cargue el conjunto de datos.carsmall

load carsmall

Cultivar un conjunto de 100 árboles de regresión para usar,,,, y como predictores.MPGAccelerationCylindersDisplacementHorsepowerModel_YearWeight Especifique los tocones de árbol como los alumnos débiles.

X = [Acceleration Cylinders Displacement Horsepower Model_Year Weight]; t = templateTree('MaxNumSplits',1); ens = fitrensemble(X,MPG,'Method','LSBoost','Learners',t);

Estimar la importancia del predictor para todas las variables predictoras.

imp = predictorImportance(ens)
imp = 1×6

    0.0150         0    0.0066    0.1111    0.0437    0.5181

, el último predictor, tiene el mayor impacto en el kilometraje.Weight El segundo predictor tiene importancia 0, lo que significa que el número de cilindros no tiene ningún impacto en las predicciones hechas con.ens

Calcule la importancia del predictor para todas las variables en los datos y donde el conjunto de árbol de regresión contiene divisiones sustitutas.

Cargue el conjunto de datos.carsmall

load carsmall

Cultivar un conjunto de 100 árboles de regresión para usar,,,, y como predictores.MPGAccelerationCylindersDisplacementHorsepowerModel_YearWeight Especifique los tocones de árbol como los alumnos débiles y también identifique las divisiones sustitutas.

X = [Acceleration Cylinders Displacement Horsepower Model_Year Weight]; t = templateTree('MaxNumSplits',1,'Surrogate','on'); ens = fitrensemble(X,MPG,'Method','LSBoost','Learners',t);

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

[imp,ma] = predictorImportance(ens)
imp = 1×6

    0.2065    0.3799    0.4100    0.6190    0.3670    0.5476

ma = 6×6

    1.0000    0.0098    0.0102    0.0098    0.0033    0.0067
         0    1.0000         0         0         0         0
    0.0056    0.0084    1.0000    0.0078    0.0022    0.0084
    0.2232    0.1574    0.2066    1.0000    0.0580    0.2059
    0.0061    0.0070    0.0063    0.0064    1.0000    0.0056
    0.0200    0.0368    0.0620    0.0521    0.0098    1.0000

En comparación con los resultados en, tiene el mayor impacto en el kilometraje, con tener el segundo mayor impacto.impEstimar la importancia del predictorHorsepowerWeight

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