（R） 根据gbm.step绘制BRT模型的树状图

（之前发布到错误的sub，没有足够的信息，该sub已关闭，我进行了编辑，编辑内容似乎已被删除，并且该帖子已被寄送至炼狱，因此为重新发布表示歉意，我不知道以前的帖子是否可以/应该重新发布）

在R中，我使用

dismo

运行了一些增强回归树，也称为广义增强模型，它使用

gbm

。让人们了解我目前所在位置的可复制示例：

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)

library（dismo）；数据（安圭拉火车）
angaus.tc5.lr01正如您所注意到的，解释决策树集合比解释单个树要困难得多。从几何学上讲，您可以将决策树集合视为复杂、高维曲面的近似。目标是找到有助于近似的变量，并将其效果可视化

解释集合的基本思想不是获取“平均”树，或获取任何单个树的图，而是可视化变量的“平均”效应。在文献中，这是预测值的“部分依赖性”——它的效应保持其他变量不变。如何估计“部分依赖性”有点复杂，但对于观测i而言，这是通过仅允许预测因子j变化而获得的模型隐含预测。然后对所有i观测值进行平均预测。有关血淋淋的详细信息，请参阅

然后，您可以根据预测值的实际值绘制预测值的估计相关性（或我称之为“模型隐含”）效果。这让我们来看看模型隐含的预测效果

好消息是，在
dismo
中可以很容易地获得这样的图。有关单个预测值，请参见
gbm.plot
；有关涉及两个预测值的透视图，请参见
gbm.perspec
。小插曲也提供了一些例子。为了进一步帮助解释模型，
gbm.interactions
提供了一种检测可能的双向或三向交互的方法。有关这方面的更多详细信息，请参阅。
问题在于没有“平均”树，就像没有随机森林的平均树一样。例如，如果第一个节点一半时间在数值变量上分支，另一半时间在分类变量上分支，该怎么办？如果一些范畴分支位于域{A，B，C}上，而另一些位于域{C，D，E}上，该怎么办？没办法，谢谢你，帕特里克。我的论文中已经有了gbm.plots以及我认为足够的各种其他图形，但一位评论员要求我提供树形图。。。即使这个问题没有真正意义！最后我问简·艾利斯她是怎么做到的&她说她只是编了一个单独的例子，因为这个要求没有意义，但人们凭直觉要求它！嘿，呵呵，现在就出版了，所以从现在开始&向上；）这是一个非常有趣的问题，我也希望这样做。不过，现在我明白了，现在就去做吧。你能告诉我如何发展一棵树吗？非常感谢。