图3:(a)这项工作中使用的四分之一波谐振器(QWR)。象限已被切除,以确保内部清晰度。零件的三个内部特征以降序的重要性顺序:红色中心销(CP),蓝色短板(SP)和紫色外导体(OC)。绿色外部测试表面(TS)对RF性能没有影响,并且用于表面纹理参考测量值。(b)对数尺度上磁场分布的COMSOL模拟,表明65%的电磁能集中在中心销(CP)周围。因此,CP的物理特性(表面表面和几何形状)对于QWR的功能性能至关重要[25]。所示的所有维度均以毫米为单位。
approx 逻辑指示是否计算更快但近似的边际效应图(精神上类似于 plotmo 包)。如果为 TRUE ,则 partial() 将计算 pred.var 中指定的预测因子的预测,同时保持其他预测因子不变(plotmo 的作者 Stephen Milborrow 称之为“穷人的部分依赖”函数)。默认值为 FALSE。注意,这也适用于 ice = TRUE。警告:此选项目前是实验性的。使用风险自负。可以(并且可能更安全)通过将特定的“样本”观察传递给 train 参数并手动指定 pred.grid 来手动执行此操作。quantiles 逻辑指示是否使用 pred.var 中列出的连续预测因子的样本分位数。如果 quantiles = TRUE 且 grid.resolution = NULL,则样本分位数将用于生成计算部分依赖性的联合值网格。 probs 概率的数字向量,值在 [0,1] 之间。(超出该范围的最大 2e-14 的值将被接受并移至附近的端点。)默认值为 1:9/10,对应于预测变量的十分位数。当 quantiles = TRUE 时,这些指定对 pred.var 中列出的连续预测变量使用哪些分位数。trim.outliers 逻辑指示在生成计算部分依赖性的联合值网格之前是否从 pred.var 中列出的连续预测器中修剪异常值(使用简单的箱线图方法)。默认值为 FALSE。type 字符串指定监督学习的类型。当前选项为 "auto" 、 "regression" 或 "classification" 。如果 type = "auto" ,则 partial 将尝试从 object 中提取必要的信息。inv.link 函数指定在计算部分依赖函数之前要应用于预测的转换(实验)。默认值为 NULL(即不进行转换)。此选项旨在用于允许非高斯响应变量(例如计数)的模型。对于这些模型,默认情况下,预测通常不会在原始响应尺度上返回。例如,泊松 GBM 通常在对数尺度上返回预测。在这种情况下,设置 inv.link = exp 将返回响应(即原始计数)尺度上的部分依赖函数。which.class 整数指定将预测概率矩阵的哪一列用作“焦点”类。默认使用第一个类。仅用于分类问题(即当 type =“classification”时)。prob 逻辑值指示分类问题的部分依赖是否应在概率尺度上返回,而不是中心 logit。如果为 FALSE ,则部分依赖函数与 logit 的尺度相似。默认值为 FALSE。recursive 逻辑指示是否使用 Friedman (2001) 中描述的加权树遍历方法。这仅适用于从类“gbm”继承的对象。默认值为 TRUE,这比用于所有其他模型的精确蛮力方法要快得多。(基于 plot.gbm 背后的 C++ 代码。) plot 逻辑指示是否返回包含部分依赖值的数据框( FALSE )或直接绘制部分依赖函数( TRUE )。默认值为 FALSE 。有关绘图详细信息,请参阅 plotPartial。