surrogateAssociation

Следует иметь в виду прогнозирующую меру ассоциации для суррогатных разделений в дереве решений

Синтаксис

ma = surrogateAssociation(tree) ma = surrogateAssociation(tree,N)

Описание

ma = surrogateAssociation(tree) возвращает матрицу прогнозирующих мер ассоциации для предикторов в tree.

ma = surrogateAssociation(tree,N) возвращает матрицу прогнозирующих мер ассоциации, усредненной по узлам в векторном N.

Входные параметры

`tree`	Дерево классификации, созданное с `fitctree` или компактным деревом регрессии, создается с `compact`.
`N`	Вектор чисел узла в `tree`.

Выходные аргументы

ma

ma = surrogateAssociation(tree) возвращает P-by-P матрица, где P является количеством предикторов в tree. ma(i,j) является прогнозирующей мерой ассоциации между оптимальным разделением на переменной i и суррогатным разделением на переменной j. Для получения дополнительной информации см. Алгоритмы.
ma = surrogateAssociation(tree,N) возвращает P-by-P представление прогнозирующей меры ассоциации между переменными, усредненными по узлам в векторном N. N содержит числа узла от 1 до max(tree.NumNodes).

Примеры

развернуть все

Оцените прогнозирующие меры ассоциации для суррогатных разделений

Скрипт Open Live Script

Загрузите ирисовый набор данных Фишера.

load fisheriris

Вырастите дерево классификации использование species как ответ. Задайте, чтобы использовать суррогатные разделения для отсутствующих значений.

tree = fitctree(meas,species,'surrogate','on');

Найдите среднюю прогнозирующую меру ассоциации между переменными прогноза.

ma = surrogateAssociation(tree)

ma = 4×4

    1.0000         0         0         0
         0    1.0000         0         0
    0.4633    0.2500    1.0000    0.5000
    0.2065    0.1413    0.4022    1.0000

Найдите среднюю прогнозирующую меру ассоциации усредненной по нечетным узлам в tree.

N = 1:2:tree.NumNodes;
ma = surrogateAssociation(tree,N)

ma = 4×4

    1.0000         0         0         0
         0    1.0000         0         0
    0.7600    0.5000    1.0000    1.0000
    0.4130    0.2826    0.8043    1.0000

Больше о

развернуть все

Прогнозирующая мера ассоциации

predictive measure of association является значением, которое указывает, что подобие между решением управляет что наблюдения разделения. Среди всех возможных разделений решения, которые сравниваются с оптимальным разделением (найденный путем роста дерева), лучшее суррогатное разделение решения приводит к максимальной прогнозирующей мере ассоциации. Второсортное суррогатное разделение имеет вторую по величине прогнозирующую меру ассоциации.

Предположим_{, что xj} и _xk являются переменными прогноза j и k, соответственно, и j ≠ k. В узле t прогнозирующая мера ассоциации между оптимальным разделением _xj <u и суррогат разделяют _xk <v

$λ_{j k} = \frac{min (P_{L}, P_{R}) - (1 - P_{L_{j} L_{k}} - P_{R_{j} R_{k}})}{min (P_{L}, P_{R})} .$

_PL является пропорцией наблюдений в узле t, такой что _xj <u. Нижний L выдерживает за покинутый дочерний элемент узла t.
_PR является пропорцией наблюдений в узле t, такой что _xj ≥ u. Нижний R выдерживает за правильный дочерний элемент узла t.
$P_{L_{j} L_{k}}$ пропорция наблюдений в узле t, такой что _xj <u и _xk <v.
$P_{R_{j} R_{k}}$ пропорция наблюдений в узле t, такой что _xj ≥ u и _xk ≥ v.
Наблюдения с отсутствующими значениями для _xj или _xk не способствуют вычислениям пропорции.

_λjk является значением в (– ∞, 1]. Если _λjk> 0, то _xk <v является стоящим суррогатным разделением для _xj <u.

Суррогатные разделения решения

surrogate decision split является альтернативой оптимальному разделению решения в данном узле в дереве решений. Оптимальное разделение найдено путем роста дерева; суррогатное разделение использует подобную или коррелированую переменную прогноза и критерий разделения.

Когда значение оптимального предиктора разделения для наблюдения отсутствует, наблюдение отправляется в левый или правый дочерний узел с помощью лучшего суррогатного предиктора. Когда значение лучшего суррогатного предиктора разделения для наблюдения также отсутствует, наблюдение отправляется в левый или правый дочерний узел с помощью второсортного суррогатного предиктора и так далее. Разделения кандидата сортируются в порядке убывания их прогнозирующей мерой ассоциации.

Алгоритмы

ma(i,j) элемента является прогнозирующей мерой ассоциации, усредненной по суррогатным разделениям на предикторе j, для которого предиктора i является оптимальным предиктором разделения. Это среднее значение вычисляется путем подведения итогов положительных значений прогнозирующей меры ассоциации по оптимальным разделениям на предикторе i и суррогатные разделения на предикторе j и деления на общее количество оптимальных разделений на предикторе i, включая разделения, для которых прогнозирующая мера ассоциации между предикторами i и j отрицательны.

Смотрите также

ClassificationTree | fitctree

Документация