（R）绘制来自gbm.step的BRT模型的树状图

Question

（之前发布的here，错误的子信息，没有足够的信息，已关闭，我编辑，编辑似乎已被删除，并且邮件已被委托为炼狱，所以道歉发帖，我不知道以前的帖子是否可以/应该复活了）

在R中，我使用使用dismo的{​​{1}}运行了一些Boosted回归树，即广义Boosting模型。可重复的例子让人们到达我目前的位置：

gbm

（来自here）。这将为您留下gbm模型对象＆＃34; angaus.tc5.lr01＆＃34;。 我想生成分裂的树状图（折叠？），即根据De＆＃39; 2007绘制树木（见图，左侧窗格）。但是：De＆＃39; s的情节是一个单一的回归树，而不是一个提升的回归树，它是可能的数千棵树的平均值，每棵树都运行着从数据集中随机抽取的不同数据集。

用户 ckluss 建议使用rpart，但是需要library(dismo); data(Anguilla_train) angaus.tc5.lr01 <- gbm.step(data=Anguilla_train, gbm.x = 3:13, gbm.y = 2, family = "bernoulli", tree.complexity = 5, learning.rate = 0.01, bag.fraction = 0.5) 生成模型，因此不适用于rpart生成的BRT / GBM。来自gbm.step的{​​{1}}也是如此。

prp中的{p> rpart.plot为所选的任何一个树提取信息矩阵（首先尝试pretty.gbm.tree）所以我想知道这可能是一个合理的途径成功？例如。通过编写一些使用所有可用树创建平均树矩阵的脚本，然后将其转换为树状对象，可能使用某些方法here。

人们已经提出了不同的类似问题似乎在网上其他地方没有成功。 BRT模型经常被描述为黑盒子＆＃39;所以也许普遍的看法是，人们不应该/有能力/懒得去探究它们并展示它们的内部过程。

如果有人对BRT / gbm有足够的了解并且有任何想法，那么他们会感激不尽。 感谢。

Answer 1

正如您所注意到的，对决策树集合的解释比解释单个树更难。在几何上，您可以将决策树集合视为复杂的高维表面的近似。目标是找到有助于近似的变量，并可视化它们的效果。

解释整体的基本思想不是获得平均水平。树，或获得任何单个树的情节，但可视化平均值＆＃39;变量的影响。在文献中，这是“部分依赖”。预测变量 - 它保持其他变量不变的效果。如何＆＃34;部分依赖＆＃34;估计的估计有点复杂，但它是通过仅允许预测器 j 变化而获得的模型隐含预测，用于观察 i 。然后对所有 i 观察值进行平均预测。有关血腥的详细信息，请参阅Friedman & Popescue (2008)。

然后，您可以绘制估计的依赖关系（或我称之为＆＃34;模型隐含的＆＃34;）预测变量对预测变量的实际值的影响。这样，您就可以看到预测变量的模型隐含效果。

好消息是，可以很容易地在dismo中获得这样的情节。有关单个预测变量，请参阅gbm.plot;有关两个预测变量的透视图，请参见gbm.perspec。小插图还提供了示例。为了进一步帮助解释模型，gbm.interactions提供了一种检测可能的2路或3路交互的方法。有关详细信息，请参阅this question。