partialDependence

Вычисление частичной зависимости

Описание

пример

pd = partialDependence(RegressionMdl,Vars) вычисляет частичную зависимость pd между переменными предиктора, перечисленными в Vars и ответы, предсказанные при помощи регрессионой модели RegressionMdl, который содержит данные предиктора.

пример

pd = partialDependence(ClassificationMdl,Vars,Labels) вычисляет частичную зависимость pd между переменными предиктора, перечисленными в Vars и счета для классов, указанных в Labels при помощи классификационной модели ClassificationMdl, который содержит данные предиктора.

pd = partialDependence(___,Data) использует новые данные предиктора в Data. Можно задать Data в дополнение к любой комбинации входных аргументов в предыдущих синтаксисах.

пример

pd = partialDependence(___,Name,Value) использует дополнительные опции, заданные одним или несколькими аргументами пары "имя-значение". Для примера, если вы задаете 'UseParallel','true', partialDependence функция использует параллельные вычисления, чтобы выполнить вычисления частичной зависимости.

[pd,x,y] = partialDependence(___) также возвращается x и y, которые содержат точки запроса первой и второй переменных предиктора в Vars, соответственно. Если вы задаете одну переменную в Vars, затем partialDependence возвращает пустую матрицу ([]) для y.

Примеры

свернуть все

Обучите наивную модель классификации Байеса с fisheriris набор данных и вычисление значений частичной зависимости, которые показывают отношение между переменной предиктора и предсказанными счетами (апостериорные вероятности) для нескольких классов.

Загрузите fisheriris набор данных, который содержит виды (species) и измерения (meas) на длину чашелистика, ширину чашелистика, длину лепестка и ширину лепестка для 150 образцов радужки. Набор данных содержит 50 экземпляров каждого из трех видов: сетоза, версиколор и виргиника.

load fisheriris

Обучите наивную модель классификации Байеса с species как ответ и meas как предикторы.

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

Вычислите значения частичной зависимости от третьей переменной предиктора (длина лепестка) счетов, предсказанной Mdl для всех трех классов species. Задайте метки классов при помощи ClassNames свойство 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 построения графика, таких как plot и bar. График pd против x при помощи bar функция.

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

Figure contains an axes. The axes with title Partial Dependence Plot contains 3 objects of type bar. These objects represent setosa, versicolor, virginica.

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

Также можно использовать plotPartialDependence функция для вычисления и построения графиков значений частичных зависимостей.

plotPartialDependence(Mdl,3,Mdl.ClassNames)

Figure contains an axes. The axes with title Partial Dependence Plot contains 3 objects of type line. These objects represent setosa, versicolor, virginica.

Обучите ансамбль классификационных моделей и вычислите значения частичной зависимости от двух переменных для нескольких классов. Затем постройте график значений частичных зависимостей для каждого класса.

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

load census1994

Извлеките подмножество 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'});

Обучите случайный лес классификационных деревьев при помощи fitcensemble и определение 'Method' как 'Bag'. Для воспроизводимости используйте шаблон деревьев, созданный при помощи templateTree с 'Reproducible' опция.

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

Смотрите имена классов в Mdl.

Mdl.ClassNames
ans = 2x1 categorical
     <=50K 
     >50K 

Вычислите значения частичной зависимости счетов от предикторов age и education_num для обоих классов (<=50K и >50K). Задайте количество наблюдений для выборки как 100.

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

Создайте объемную поверхностную диаграмму значений частичных зависимостей для первого класса (<=50K) при помощи 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

Figure contains an axes. The axes with title Partial Dependence Plot contains an object of type surface.

Создайте объемную поверхностную диаграмму значений частичных зависимостей 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

Figure contains an axes. The axes with title Partial Dependence Plot contains an object of type surface.

Эти два графика показывают различные шаблоны частичной зависимости в зависимости от класса.

Обучите регрессионую модель машины опорных векторов (SVM) с помощью carsmall набор данных и вычислите частичную зависимость от двух переменных предиктора. Затем создайте рисунок, которая показывает частичную зависимость от двух переменных вместе с гистограммой для каждой переменной.

Загрузите carsmall набор данных.

load carsmall

Составьте таблицу, содержащую Weight, Cylinders, Displacement, и Horsepower.

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

Обучите регрессионую модель SVM с помощью переменных предиктора в Tbl и переменной отклика MPG. Используйте функцию Гауссова ядра с автоматической шкалой ядра.

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

Вычислите частичную зависимость предсказанного отклика (MPG) на переменных предиктора Weight и Horsepower. Задайте точки запроса, чтобы вычислить частичную зависимость 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 рисунок, которое содержит мозаичный график размещения 5 на 5. Постройте график частичной зависимости от двух переменных с помощью imagesc функция. Затем нарисуйте гистограмму для каждой переменной с помощью histogram функция. Задайте ребра гистограмм так, чтобы центры полос гистограмм совпали 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)

Figure contains 3 axes. Axes 1 with title Partial Dependence Plot contains an object of type image. Axes 2 contains an object of type histogram. Axes 3 contains an object of type histogram.

Каждый элемент pd задает цвет для одного пикселя графика изображения. Гистограммы, выровненные по осям изображения, показывают распределение предикторов.

Входные параметры

свернуть все

Регрессионная модель, заданная как полный или компактный регрессионый объект модели, как представлено в следующих таблицах поддерживаемых моделей.

МодельПолный или компактный объект модели
Обобщенная линейная модельGeneralizedLinearModel, CompactGeneralizedLinearModel
Обобщенная линейная модель смешанного эффектаGeneralizedLinearMixedModel
Линейная регрессияLinearModel, CompactLinearModel
Линейная модель смешанного эффектаLinearMixedModel
Нелинейная регрессияNonLinearModel
Ансамбль регрессионных моделейRegressionEnsemble, RegressionBaggedEnsemble, CompactRegressionEnsemble
Обобщенная аддитивная модель (GAM)RegressionGAM, CompactRegressionGAM
Регрессия Гауссова процессаRegressionGP, CompactRegressionGP
Гауссовская регрессионая модель ядра с использованием расширения случайных функцийRegressionKernel
Линейная регрессия для высоко-размерных данныхRegressionLinear
Модель регрессии нейронной сетиRegressionNeuralNetwork, CompactRegressionNeuralNetwork
Машина опорных векторов (SVM)RegressionSVM, CompactRegressionSVM
Дерево регрессииRegressionTree, CompactRegressionTree
Агрегация Bootstrap для ансамбля деревьев принятия решенийTreeBagger, CompactTreeBagger

Если RegressionMdl является объектом модели, который не содержит данных предиктора (для примера, компактная модель), необходимо предоставить входной параметр Data.

partialDependence не поддерживает объект модели, обученный с разреженной матрицей. Когда вы обучаете модель, используйте полную числовую матрицу или таблицу для данных предиктора, где строки соответствуют отдельным наблюдениям.

Классификационная модель, заданная как полный или компактный объект классификационной модели, как представлено в следующих таблицах поддерживаемых моделей.

МодельПолный или компактный объект модели
Классификатор дискриминантного анализаClassificationDiscriminant, CompactClassificationDiscriminant
Многоклассовая модель для машин опорных векторов или других классификаторовClassificationECOC, CompactClassificationECOC
Ансамбль учащихся по классификацииClassificationEnsemble, CompactClassificationEnsemble, ClassificationBaggedEnsemble
Обобщенная аддитивная модель (GAM)ClassificationGAM, CompactClassificationGAM
Гауссовская модель классификации ядра с использованием расширения случайных функцийClassificationKernel
k - ближайший соседний классификаторClassificationKNN
Линейная классификационная модельClassificationLinear
Многоклассовая наивная модель БайесаClassificationNaiveBayes, CompactClassificationNaiveBayes
Классификатор нейронной сетиClassificationNeuralNetwork, CompactClassificationNeuralNetwork
Классификатор машины опорных векторов (SVM) для одноклассовой и двоичной классификацииClassificationSVM, CompactClassificationSVM
Двоичное дерево принятия решений для многоклассовой классификацииClassificationTree, CompactClassificationTree
Упакованный ансамбль деревьев решенийTreeBagger, CompactTreeBagger

Если ClassificationMdl является объектом модели, который не содержит данных предиктора (для примера, компактная модель), необходимо предоставить входной параметр Data.

partialDependence не поддерживает объект модели, обученный с разреженной матрицей. Когда вы обучаете модель, используйте полную числовую матрицу или таблицу для данных предиктора, где строки соответствуют отдельным наблюдениям.

Переменные предиктора, заданные как вектор положительных целых чисел, вектор символов, строковый скаляр, строковые массивы или массив ячеек из векторов символов. Можно задать одну или две переменные предиктора, как показано в следующих таблицах.

Одна переменная предиктора

ЗначениеОписание
положительное целое числоЗначение индекса, соответствующее столбцу данных предиктора.
вектор символов или строковый скаляр

Имя переменной предиктора. Имя должно совпадать с записью в RegressionMdl.PredictorNames или ClassificationMdl.PredictorNames.

Две переменные предиктора

ЗначениеОписание
вектор двух положительных целых чиселЗначения индекса, соответствующие столбцам данных предиктора.
Строковые массивы или массив ячеек векторов символов

Имена переменных предиктора. Каждый элемент массива является именем переменной. Имена должны совпадать с записями в RegressionMdl.PredictorNames или ClassificationMdl.PredictorNames.

Пример: {'x1','x3'}

Типы данных: single | double | char | string | cell

Метки класса, заданные как категориальный или символьный массив, логический или числовой вектор или массив ячеек из векторов символов. Значения и типы данных в Labels должны совпадать с именами классов в ClassNames свойство ClassificationMdl (ClassificationMdl.ClassNames).

Можно задать одну или несколько меток классов.

Этот аргумент действителен только при ClassificationMdl является объектом классификационной модели.

Пример: {'red','blue'}

Пример: ClassificationMdl.ClassNames([1 3]) задает Labels как первый и третий классы в ClassificationMdl.

Типы данных: single | double | logical | char | cell | categorical

Данные предиктора, заданные как числовая матрица или таблица. Каждая строка Data соответствует одному наблюдению, и каждый столбец соответствует одной переменной.

Data должен соответствовать данным предиктора, которые обучили модель (RegressionMdl или ClassificationMdl), хранящийся в любом из X или Variables свойство.

  • Если вы обучили модель с помощью числовой матрицы, то Data должна быть числовой матрицей. Переменные, составляющие столбцы Data должны иметь то же число и порядок, что и переменные предиктора, которые обучили модель.

  • Если вы обучили модель с помощью таблицы (для примера Tbl), затем Data должен быть таблицей. Все переменные предиктора в Data должны иметь те же имена переменных и типы данных, что и имена и типы в Tbl. Однако порядок столбцов Data не должен соответствовать порядку столбцов Tbl.

  • partialDependence не поддерживает разреженную матрицу.

Если RegressionMdl или ClassificationMdl является объектом модели, который не содержит данных предиктора, вы должны предоставить Data. Если модель является полным объектом модели, которая содержит данные предиктора, и вы задаете этот аргумент, то partialDependence не использует данные предиктора в модели и использует Data только.

Типы данных: single | double | table

Аргументы в виде пар имя-значение

Задайте необязательные разделенные разделенными запятой парами Name,Value аргументы. Name - имя аргумента и Value - соответствующее значение. Name должны находиться внутри кавычек. Можно задать несколько аргументов в виде пар имен и значений в любом порядке Name1,Value1,...,NameN,ValueN.

Пример: partialDependence(Mdl,Vars,Data,'NumObservationsToSample',100,'UseParallel',true) вычисляет значения частичных зависимостей при помощи 100 выборочных наблюдений в Data и выполнение for-итерации цикла параллельно.

Флаг для включения членов взаимодействия обобщенной аддитивной модели (GAM) в расчет частичной зависимости, заданный как true или false. Этот аргумент действителен только для GAM. То есть можно задать этот аргумент только тогда, когда RegressionMdl является RegressionGAM или CompactRegressionGAM, или ClassificationMdl является ClassificationGAM или CompactClassificationGAM.

Значение по умолчанию 'IncludeInteractions' значение true если модель содержит условия взаимодействия. Значение должно быть false если модель не содержит членов взаимодействия.

Пример: 'IncludeInteractions',false

Типы данных: logical

Флаг для включения члена точки пересечения обобщенной аддитивной модели (GAM) в расчет частичной зависимости, заданный как true или false. Этот аргумент действителен только для GAM. То есть можно задать этот аргумент только тогда, когда RegressionMdl является RegressionGAM или CompactRegressionGAM, или ClassificationMdl является ClassificationGAM или CompactClassificationGAM.

Пример: 'IncludeIntercept',false

Типы данных: logical

Количество наблюдений для выборки, заданное в виде положительного целого числа. Значение по умолчанию является количеством суммарных наблюдений в Data или модель (RegressionMdl или ClassificationMdl). Если вы задаете значение, больше, чем количество суммарных наблюдений, то partialDependence использует все наблюдения.

partialDependence выборки без замены при помощи datasample функция и использует дискретизированные наблюдения для вычисления частичной зависимости.

Пример: 'NumObservationsToSample',100

Типы данных: single | double

Точки для вычисления частичной зависимости для числовых предикторов, заданная в виде числового вектора-столбца, числовой двухколоночной матрицы или массива ячеек из двух числовых векторов-столбцов.

  • Если вы выбираете одну переменную предиктора в Vars, используйте числовой вектор-столбец.

  • Если вы выбираете две переменные предиктора в Vars:

    • Используйте числовую двухколоночную матрицу, чтобы задать одно и то же число точек для каждой переменной предиктора.

    • Используйте массив ячеек из двух числовых векторов-столбцов, чтобы задать разное число точек для каждой переменной.

Значение по умолчанию является числовым вектором-столбцом или числовой двухколоночной матрицей, в зависимости от количества выбранных переменных. Каждый столбец содержит 100 равномерно расположенных точек между минимальным и максимальным значениями выборочных наблюдений для соответствующей переменной предиктора.

Вы не можете изменять 'QueryPoints' для категориальной переменной. partialDependence функция использует все категориальные значения в выбранной переменной.

Если вы выбираете одну числовую переменную и одну категориальную, можно задать 'QueryPoints' для числовой переменной при помощи массива ячеек, состоящего из числового вектора-столбца и пустого массива.

Пример: 'QueryPoints',{pt,[]}

Типы данных: single | double | cell

Флаг для параллельного выполнения, заданный как true или false. Если вы задаете 'UseParallel',true, partialDependence функция выполняет for-итерации цикла параллельно при помощи parfor при прогнозировании ответов или счетов для каждого наблюдения и усреднении их. Для этой опции требуется Parallel Computing Toolbox™.

Пример: 'UseParallel',true

Типы данных: logical

Выходные аргументы

свернуть все

Значения частичной зависимости, возвращенные как numX-by- numY числовая матрица (для регрессионной модели) или numLabels-by- numX-by- numY числовой массив (для классификационной модели). numX и numY количество точек запроса первой и второй переменных в Vars, соответственно. numLabels количество меток классов в Labels.

Значение в pd(i,j,k) - значение частичной зависимости точки запроса x(j) и y(k) для iметка класса th. x(j) является jth- точки запроса первой переменной предиктора и y(k) является kпервая точка запроса второй переменной предиктора.

Точки запроса первой переменной предиктора в Vars, возвращен как числовой или категориальный вектор-столбец.

Если переменная предиктора числовая, то можно задать точки запроса при помощи 'QueryPoints' аргумент пары "имя-значение".

Типы данных: single | double | categorical

Точки запроса второй переменной предиктора в Vars, возвращен как числовой или категориальный вектор-столбец.

Если переменная предиктора числовая, то можно задать точки запроса при помощи 'QueryPoints' аргумент пары "имя-значение".

Типы данных: single | double | categorical

Подробнее о

свернуть все

Частичная зависимость для регрессионых моделей

Частичная зависимость [1] представляет отношения между переменными предиктора и предсказанными ответами в обученной регрессионой модели .partialDependence вычисляет частичную зависимость предсказанных ответов от подмножества переменных-предикторов путем маргинализации над другими переменными.

Рассмотрим частичную зависимость от подмножества XS всего набора переменных предиктора X = {x1, x2,..., xm}. Подмножество XS включает одну переменную или две переменные: XS = {xS1} или XS = {xS1, xS2}. Пусть XC быть дополнительным множеством xS в X. Предсказанное f отклика (X) зависит от всех переменных в X:

f (X) = f (XS, XC).

Частичная зависимость предсказанных ответов от XS определяется ожиданием предсказанных ответов относительно XC:

fS(XS)=EC[f(XS,XC)]=f(XS,XC)pC(XC)dXC,

где pC (XC) - предельная вероятность XC, то есть, pC(XC)p(XS,XC)dXS. Принимая, что каждое наблюдение одинаково вероятно, и зависимость между XS и XC и взаимодействия XS и XC в откликах не сильна, partialDependence оценивает частичную зависимость при помощи наблюдаемых данных предиктора следующим образом:

fS(XS)1Ni=1Nf(XS,XiC),(1)

где N - количество наблюдений и Xi = (XiS, XiC) - i-е наблюдение .

Когда вы вызываете partialDependence функция, можно задать обученную модель (f(·)) и выбрать переменные (XS) при помощи входных параметров RegressionMdl и Vars, соответственно. partialDependence вычисляет частичную зависимость в 100 равномерно разнесенных точках XS или точки, которые вы задаете при помощи 'QueryPoints' аргумент пары "имя-значение". Можно задать количество (N) наблюдений для выборки из данных заданного предиктора при помощи 'NumObservationsToSample' аргумент пары "имя-значение".

Модели классификации частичных зависимостей

В случае классификационных моделей, partialDependence вычисляет частичную зависимость так же, как и для регрессионых моделей, за одним исключением: вместо использования предсказанных ответов от модели функция использует предсказанные счета для классов, заданных в Labels.

Алгоритм взвешенного обхода

Взвешенный алгоритм обхода [1] является методом для оценки частичной зависимости для древовидной модели. Предполагаемая частичная зависимость является взвешенным средним значением отклика или значений баллов, соответствующей узлам листа, посещаемым во время обхода дерева.

Пусть XS быть подмножеством всего набора переменных X и XC быть дополнительным множеством xS в X. Для каждого XS Значение вычислить частичную зависимость, алгоритм пересекает дерево от корневого (начального) узла вниз до листовых (терминальных) узлов и находит веса листовых узлов. Обход начинается с присвоения значения веса единице в корневом узле. Если узел разделяется на XSалгоритм переходит к соответствующему дочернему узлу в зависимости от XS значение. Вес дочернего узла становится таким же, значение и его родительский узел. Если узел разделяется на XCалгоритм переходит к обоим дочерним узлам. Вес каждого дочернего узла становится значением его родительского узла, умноженным на долю наблюдений, соответствующих каждому дочернему узлу. После завершения обхода дерева алгоритм вычисляет взвешенное среднее значение с помощью присвоенных весов.

Для ансамбля мешанных деревьев предполагаемая частичная зависимость представляет собой среднее значение средневзвешенных средних значений по отдельным деревьям.

Алгоритмы

partialDependence использует predict функция для предсказания ответов или счетов. partialDependence выбирает нужное predict функция согласно модели (RegressionMdl или ClassificationMdl) и запускается predict с настройками по умолчанию. Для получения дополнительной информации о каждом predict function, см. predict функционирует в следующих двух таблицах. Если заданная модель является древовидной моделью (не включая усиленный ансамбль деревьев), то partialDependence использует взвешенный алгоритм обхода вместо predict функция. Для получения дополнительной информации смотрите Взвешенный алгоритм обхода.

Объект модели

Тип моделиПолная или компактная регрессия Объекта моделиФункция для предсказания ответов
Агрегация Bootstrap для ансамбля деревьев принятия решенийCompactTreeBaggerpredict
Агрегация Bootstrap для ансамбля деревьев принятия решенийTreeBaggerpredict
Ансамбль регрессионных моделейRegressionEnsemble, RegressionBaggedEnsemble, CompactRegressionEnsemblepredict
Гауссовская регрессионая модель ядра с использованием расширения случайных функцийRegressionKernelpredict
Регрессия Гауссова процессаRegressionGP, CompactRegressionGPpredict
Обобщенная аддитивная модельRegressionGAM, CompactRegressionGAMpredict
Обобщенная линейная модель смешанного эффектаGeneralizedLinearMixedModelpredict
Обобщенная линейная модельGeneralizedLinearModel, CompactGeneralizedLinearModelpredict
Линейная модель смешанного эффектаLinearMixedModelpredict
Линейная регрессияLinearModel, CompactLinearModelpredict
Линейная регрессия для высоко-размерных данныхRegressionLinearpredict
Модель регрессии нейронной сетиRegressionNeuralNetwork, CompactRegressionNeuralNetworkpredict
Нелинейная регрессияNonLinearModelpredict
Дерево регрессииRegressionTree, CompactRegressionTreepredict
Поддерживайте векторную машинуRegressionSVM, CompactRegressionSVMpredict

Объект модели

Тип моделиПолный или компактный объект классификационной моделиФункция для предсказания меток и счетов
Классификатор дискриминантного анализаClassificationDiscriminant, CompactClassificationDiscriminantpredict
Многоклассовая модель для машин опорных векторов или других классификаторовClassificationECOC, CompactClassificationECOCpredict
Ансамбль учащихся по классификацииClassificationEnsemble, CompactClassificationEnsemble, ClassificationBaggedEnsemblepredict
Гауссовская модель классификации ядра с использованием расширения случайных функцийClassificationKernelpredict
Обобщенная аддитивная модельClassificationGAM, CompactClassificationGAMpredict
k - ближайшая соседняя модельClassificationKNNpredict
Линейная классификационная модельClassificationLinearpredict
Наивная модель БайесаClassificationNaiveBayes, CompactClassificationNaiveBayespredict
Классификатор нейронной сетиClassificationNeuralNetwork, CompactClassificationNeuralNetworkpredict
Поддерживайте векторную машину для одноклассовой и двоичной классификацииClassificationSVM, CompactClassificationSVMpredict
Двоичное дерево принятия решений для многоклассовой классификацииClassificationTree, CompactClassificationTreepredict
Упакованный ансамбль деревьев решенийTreeBagger, CompactTreeBaggerpredict

Альтернативная функциональность

Ссылки

[1] Фридман, Джером. H. «Жадное приближение функций: градиентная бустинговая машина». Анналы статистики 29, № 5 (2001): 1189-1232.

[2] Хасти, Тревор, Роберт Тибширани и Джером Фридман. Элементы статистического обучения. Нью-Йорк, Нью-Йорк: Спрингер Нью-Йорк, 2009.

Расширенные возможности

Введенный в R2020b
Для просмотра документации необходимо авторизоваться на сайте