文档帮助中心文档
广义添加剂模型(GAM)的分类边距
M = margin(MDL,TBL,响应Varname)
M =边缘(MDL,TBL,Y)
M =边缘(MDL,X,Y)
m =边缘(___,“包括Internatractions”,包括Incommentions)
m=边距(MDL,,,,TBL,,,,响应varname)返回分类保证金((m)对于广义添加剂模型MDL使用预测数据中的数据TBL以及真正的类标签tbl.ResponseVarname。
m=边距(MDL,,,,TBL,,,,响应varname)
m
MDL
TBL
响应varname
tbl.ResponseVarname
m作为一个n-b-1数字列向量,其中n是预测数据数据中的观察数。
m=边距(MDL,,,,TBL,,,,y)在表中使用预测数据数据TBL以及真正的类标签y。
m=边距(MDL,,,,TBL,,,,y)
y
例子
m=边距(MDL,,,,X,,,,y)在矩阵中使用预测数据X以及真正的类标签y。
m=边距(MDL,,,,X,,,,y)
X
m=边距(___,“包括Internactions”,包括Internactions)指定是否在计算中包括交互项。您可以指定包括Internactions除了以前的语法中的任何输入参数组合。
m=边距(___,“包括Internactions”,包括Internactions)
包括Internactions
全部收缩
估计广义添加剂模型的测试样品分类边缘和边缘。测试样品边缘是观察到的真实类得分减去错误类得分,而测试样品边缘是边缘的平均值。
加载渔业数据集。创造X作为一个数字矩阵,包含两个versicolor和virginica虹膜的两个萼片和两个花瓣测量。创造y作为包含相应虹膜物种的字符矢量的细胞阵列。
渔业
加载渔业inds = strcmp(物种,“ versicolor”)StrcMP(物种,'Virginica');x = meas(inds,:);y =物种(inds,:);
使用类信息,将随机分区观测到训练集和带有分层的测试集中y。指定用于测试的30%保留样本。
rng('默认')%可再现性cv = cvpartition(y,'坚持',0.30);
提取培训和测试指数。
traininds =训练(CV);testinds = test(CV);
指定培训和测试数据集。
Xtrain = X(traininds,:);ytrain = y(traininds);Xtest = x(testinds,:);ytest = y(testinds);
使用预测变量训练游戏Xtrain和类标签ytrain。推荐的做法是指定类名。
Xtrain
ytrain
mdl = fitcgam(xtrain,ytrain,'classNames',{“ versicolor”,,,,'Virginica'});
MDL是一个分类员模型对象。
分类员
估计测试样品分类边缘和边缘。
m = margin(mdl,xtest,ytest);e = edge(mdl,xtest,ytest)
E = 0.8000
显示测试样品分类边距的直方图。
直方图(M,长度(唯一(M)),'正常化',,,,'可能性')xlabel(“测试样品边缘”)ylabel('可能性') 标题(“测试样品边缘的概率分布”)
通过检查测试样品边缘和边缘,将具有线性术语的GAM与具有线性和交互项的GAM进行比较。仅基于此比较,最高边缘和边缘的分类器是最佳模型。
加载电离层数据集。该数据集有34个预测指标和351个二进制响应,用于雷达回报,要么不好(要么'b')或好('G')。
电离层
'b'
'G'
加载电离层
训练一个包含线性和相互作用项的预测因子的游戏。指定包含所有可用的交互条款p- 价值不大于0.05。
mdl = fitcgam(xtrain,ytrain,“互动”,,,,'全部',,,,“ maxpvalue”,0.05)
mdl = classificationgam响应名称:'y'分类predictors:[] classNames:{'b''g'} scoretransform:'logit'截距:3.0398互动:[561x2 double] numobservations:246属性,方法,方法,方法,方法,方法
MDL是一个分类员模型对象。MDL包括所有可用的互动条款。
估计测试样品边缘和边缘MDL。
E = 0.7848
估计测试样品边缘和边缘MDL不包括交互条款。
m_nointeractions = margin(mdl,xtest,ytest,“包括Internactions”,错误的);e_nointeractions = edge(mdl,xtest,ytest,“包括Internactions”,错误的)
e_no Interactions = 0.7871
使用框图显示边缘的分布。
BoxPlot([M_NO Interactions],'标签',{“线性和互动术语”,,,,“仅线性术语”}) 标题(“测试样品边缘的盒子图”)
边缘m和m_no互动具有相似的分布,但是只有线性项的分类器的测试样品边缘更大。首选产生相对较大边缘的分类器。
m_no互动
紧凑型驾驶员
广义加性模型,指定为分类员或者紧凑型驾驶员模型对象。
如果您训练有素MDL使用表中包含的示例数据,然后使用利润也必须在表中(TBL)。
利润
如果您训练有素MDL使用矩阵中包含的示例数据,然后使用利润也必须在矩阵中X)。
示例数据,指定为表。每一行TBL对应于一个观测值,每列对应于一个预测变量。不允许使用字符矢量的单元格数以外的多彩色变量和细胞阵列。
TBL必须包含用于训练的所有预测因素MDL。可选TBL可以包含用于响应变量的列和观察权重的列。
响应变量必须具有与mdl.y。(该软件将字符串阵列视为字符向量的单元格数组。)如果响应变量在TBL具有与用于训练的响应变量相同的名称MDL,那么您无需指定响应varname。
mdl.y
权重值必须是数字向量。您必须指定观察权重TBL通过使用“重量”。
“重量”
如果您训练有素MDL使用表中包含的示例数据,然后使用利润也必须在桌子中。
数据类型:桌子
桌子
响应变量名称,指定为字符向量或字符串标量,包含响应变量的名称TBL。例如,如果响应变量y存储在中tbl.y,然后将其指定为'y'。
tbl.y
'y'
数据类型:char|细绳
char
细绳
类标签,指定为分类,字符或字符串数组,逻辑或数字向量或字符向量的单元格数组。每一行y表示相应行的分类X或者TBL。
y必须具有与mdl.y。(该软件将字符串阵列视为字符向量的单元格数组。)
数据类型:单身的|双倍的|分类|逻辑|char|细绳|细胞
单身的
双倍的
分类
逻辑
细胞
预测数据,指定为数字矩阵。每一行X对应于一个观测值,每列对应于一个预测变量。
如果您训练有素MDL使用矩阵中包含的示例数据,然后使用利润也必须在矩阵中。
数据类型:单身的|双倍的
真的
错误的
标志以包括模型的交互项,指定为真的或者错误的。
默认值包括Internactions值是真的如果MDL包含互动术语。值必须是错误的如果模型不包含交互项。
数据类型:逻辑
这分类保证金对于二进制分类,对于每个观察结果,是真实类的分类得分与错误类的分类分数之间的差异。
如果边缘在相同的尺度上(即分数值基于相同的分数转换),则它们是分类置信度度量。在多个分类器中,那些产生更大利润的分类器会更好。
边缘|损失|预测|repubmargin
边缘
损失
预测
repubmargin
您有此示例的修改版本。您想用您的编辑打开这个示例吗?
您单击了与此MATLAB命令相对应的链接:
通过在MATLAB命令窗口中输入该命令。Web浏览器不支持MATLAB命令。万博1manbetx
选择一个网站以获取可用的翻译内容,并查看本地事件和优惠。根据您的位置,我们建议您选择:。
您还可以从以下列表中选择一个网站:
选择中国网站(中文或英语)以获得最佳场地性能。其他Mathworks乡村网站未针对您所在的访问进行优化。
联系您当地的办公室