Тренируйте наивную модель классификации Байеса с помощью fisheriris набор данных и вычислить значения частичной зависимости, которые показывают взаимосвязь между переменной предиктора и прогнозируемыми показателями (апостериорные вероятности) для нескольких классов.

Загрузить fisheriris набор данных, содержащий виды (species) и измерения (meas) на чашелистике длиной, чашелистиком шириной, лепестком длиной и лепестком шириной для 150 экземпляров радужки. Набор данных содержит по 50 экземпляров от каждого из трёх видов: сетоза, версиколор и virginica.

load fisheriris

Тренировать наивную модель классификации Байеса с помощью species в качестве ответа и meas в качестве предикторов.

Mdl = fitcnb(meas,species,'PredictorNames',["Sepal Length","Sepal Width","Petal Length","Petal Width"]);

Вычислить значения частичной зависимости по третьей прогнозирующей переменной (длина лепестка) баллов, предсказанных Mdl для всех трех классов species. Укажите метки класса с помощью ClassNames имущество Mdl.

[pd,x] = partialDependence(Mdl,3,Mdl.ClassNames);

pd содержит значения частичной зависимости для точек запроса x. Можно построить график вычисленных значений частичной зависимости с помощью функций печати, таких как plot и bar. График pd против x с помощью bar функция.

bar(x,pd)
legend(Mdl.ClassNames)
xlabel("Petal Length")
ylabel("Scores")
title("Partial Dependence Plot")

Согласно этой модели, вероятность virginica увеличивается с длиной лепестка. Вероятность setosa составляет около 0,33, откуда длина лепестка от 0 до около 2,5, а затем вероятность падает почти до 0.

Кроме того, можно использовать plotPartialDependence функция вычисления и построения графика значений частичной зависимости.

plotPartialDependence(Mdl,3,Mdl.ClassNames)

Обучение ансамбля классификационных моделей и вычисление значений частичной зависимости по двум переменным для нескольких классов. Затем постройте график значений частичной зависимости для каждого класса.

Загрузить census1994 набор данных, который содержит годовые данные о зарплате в США, классифицируемые как <=50K или >50Kи несколько демографических переменных.

load census1994

Извлечение подмножества переменных для анализа из таблицы adultdata.

X = adultdata(1:500,{'age','workClass','education_num','marital_status','race', ...
   'sex','capital_gain','capital_loss','hours_per_week','salary'});

Обучение случайного леса классификационных деревьев с помощью fitcensemble и определение 'Method' как 'Bag'. Для воспроизводимости используйте шаблон деревьев, созданных с помощью templateTree с 'Reproducible' вариант.

rng('default')
t = templateTree('Reproducible',true);
Mdl = fitcensemble(X,'salary','Method','Bag','Learners',t);

Проверьте имена классов в Mdl.

Mdl.ClassNames

ans = 2x1 categorical
     <=50K 
     >50K 

Вычисление значений частичной зависимости баллов по предикторам age и education_num для обоих классов (<=50K и >50K). Укажите количество наблюдений для выборки как 100.

[pd,x,y] = partialDependence(Mdl,{'age','education_num'},Mdl.ClassNames,'NumObservationsToSample',100);

Создайте график поверхности значений частичной зависимости для первого класса (<=50K) с помощью surfl функция.

figure
surf(x,y,squeeze(pd(1,:,:)))
xlabel('age')
ylabel('education\_num')
zlabel('Score of class <=50K')
title('Partial Dependence Plot')
view([130 30]) % Modify the viewing angle

Создайте график поверхности значений частичной зависимости для второго класса (>50K).

figure
surf(x,y,squeeze(pd(2,:,:)))
xlabel('age')
ylabel('education\_num')
zlabel('Score of class >50K')
title('Partial Dependence Plot')
view([130 30]) % Modify the viewing angle

Два графика показывают различные модели частичной зависимости в зависимости от класса.

Обучение регрессионной модели машины опорных векторов (SVM) с использованием carsmall набор данных и вычислить частичную зависимость от двух переменных предиктора. Затем создайте рисунок, показывающий частичную зависимость от двух переменных вместе с гистограммой для каждой переменной.

Загрузить carsmall набор данных.

load carsmall

Создание таблицы, содержащей Weight, Cylinders, Displacement, и Horsepower.

Tbl = table(Weight,Cylinders,Displacement,Horsepower);

Обучить регрессионную модель SVM с использованием переменных предиктора в Tbl и переменная ответа MPG. Используйте функцию ядра Гаусса с автоматическим масштабом ядра.

Mdl = fitrsvm(Tbl,MPG,'ResponseName','MPG', ...
    'CategoricalPredictors','Cylinders','Standardize',true, ...
    'KernelFunction','gaussian','KernelScale','auto');

Вычислить частичную зависимость прогнозируемого ответа (MPG) на переменных предиктора Weight и Horsepower. Укажите точки запроса для вычисления частичной зависимости с помощью 'QueryPoints' аргумент пары имя-значение.

numPoints = 10;
ptX = linspace(min(Weight),max(Weight),numPoints)';
ptY = linspace(min(Horsepower),max(Horsepower),numPoints)';
[pd,x,y] = partialDependence(Mdl,{'Weight','Horsepower'},'QueryPoints',[ptX ptY]);

Создайте фигуру, содержащую макет мозаичной диаграммы 5 на 5. Постройте график частичной зависимости от двух переменных с помощью imagesc функция. Затем нарисуйте гистограмму для каждой переменной с помощью histogram функция. Укажите края гистограмм так, чтобы центры полос гистограмм совпадали с точками запроса. Измените свойства осей, чтобы выровнять оси графиков.

t = tiledlayout(5,5,'TileSpacing','compact');

ax1 = nexttile(2,[4,4]);
imagesc(x,y,pd)
title('Partial Dependence Plot')
colorbar('eastoutside')
ax1.YDir = 'normal';

ax2 = nexttile(22,[1,4]);
dX = diff(ptX(1:2));
edgeX = [ptX-dX/2;ptX(end)+dX];
histogram(Weight,edgeX);
xlabel('Weight')
xlim(ax1.XLim);

ax3 = nexttile(1,[4,1]);
dY = diff(ptY(1:2));
edgeY = [ptY-dY/2;ptY(end)+dY];
histogram(Horsepower,edgeY)
xlabel('Horsepower')
xlim(ax1.YLim);
ax3.XDir = 'reverse';
camroll(-90)

Каждый элемент pd задает цвет для одного пиксела графика изображения. Гистограммы, выровненные с осями изображения, показывают распределение предикторов.