重要度の計算
1: ランダム フォレスト内の各デシジョン ツリーについて、対応する OOB (アウトオブバッグ データ) データを使用して、そのアウトオブバッグ データ エラーを計算し、 errOOB1 として記録されます。ノイズ干渉を追加します (ランダムに変更できます)
。特徴 X におけるサンプルの値)、そのアウトオブバッグ データ誤差を再度計算し、errOOB2 として記録されます。 3: ランダム フォレスト内に Ntree ツリーがあると仮定すると、特徴 X = ∑(
errOOB2 -errOOB1)/Ntree、この式が対応する特徴の重要性の尺度として使用できる理由は次のとおりです: 特定の特徴にノイズを追加した後にバッグの外の精度率が大幅に低下した場合、それはこの特徴がサンプルの分類結果に大きな影響を与える、つまり重要度が比較的高いものです。
コード：
importance = net.OOBPermutedPredictorDeltaError; % 重要性