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")

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)

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

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

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)

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