Обучите наивную модель классификации Бейеса с fisheriris набор данных, и вычисляет частичные значения зависимости, которые показывают отношение между переменным предиктором и предсказанными баллами (апостериорные вероятности) для нескольких классов.

Загрузите fisheriris набор данных, который содержит разновидности (species) и измерения (meas) на длине чашелистика, ширине чашелистика, лепестковой длине и лепестковой ширине для 150 ирисовых экземпляров. Набор данных содержит 50 экземпляров от каждой из трех разновидностей: setosa, versicolor, и virginica.

load fisheriris

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

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

Вычислите частичные значения зависимости на третьем переменном предикторе (лепестковая длина) баллов, предсказанных Mdl для всех трех классов species. Задайте метки класса при помощи ClassNames свойство Mdl.

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

фунт содержит частичные значения зависимости для точек запроса x. Можно построить вычисленные частичные значения зависимости при помощи функций построения графика, таких как plot и bar. Постройте 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, вероятности virginica увеличения с лепестковой длиной. Вероятность setosa приблизительно 0,33, от того, где лепестковая длина 0 к приблизительно 2,5, и затем вероятность спадает до почти 0.

В качестве альтернативы можно использовать plotPartialDependence функция, чтобы вычислить и построить частичные значения зависимости.

plotPartialDependence(Mdl,3,Mdl.ClassNames)

Обучите ансамбль моделей классификации и вычислите частичные значения зависимости на двух переменных для нескольких классов. Затем постройте частичные значения зависимости для каждого класса.

Загрузите census1994 набор данных, который содержит США ежегодные данные о зарплате, категоризированные как <=50K или >50K, и несколько демографических переменных.

load census1994

Извлеките подмножество переменных, чтобы анализировать 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 деревьев классификации при помощи fitcensemble и определение 'Method' как 'Bag'. Для воспроизводимости используйте шаблон деревьев, созданных 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 частичные значения зависимости баллов на предикторах age и education_num для обоих классов (<=50K и >50K). Задайте количество наблюдений к выборке как 100.

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

Создайте объемную поверхностную диаграмму частичных значений зависимости 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 частичных значений 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 частичные шаблоны зависимости в зависимости от класса.

Обучите модель регрессии машины опорных векторов (SVM) использование carsmall набор данных, и вычисляет частичную зависимость от двух переменных предикторов. Затем создайте фигуру, которая показывает частичную зависимость от этих двух переменных наряду с гистограммой на каждой переменной.

Загрузите carsmall набор данных.

load carsmall

Составьте таблицу, которая содержит Weight, Cylinders, Displacement, и Horsepower.

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

Обучите модель регрессии SVM использование переменных предикторов в Tbl и переменная отклика MPG. Используйте Гауссову функцию ядра с автоматической шкалой ядра.

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

Вычислите частичную зависимость предсказанного ответа (MPG) на переменных предикторах Weight и Horsepower. Задайте точки запроса, чтобы вычислить частичную зависимость при помощи '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, которая содержит мозаичное размещение графика 5 на 5. Постройте частичную зависимость от этих двух переменных при помощи imagesc функция. Затем чертите гистограмму для каждой переменной при помощи histogram функция. Задайте ребра гистограмм так, чтобы центры панелей гистограммы выровнялись с точками запроса. Измените свойства осей 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 изображений. Гистограммы, выровненные с осями изображения, показывают распределение предикторов.