利润
广义添加剂模型（GAM）的分类边距
句法
描述
m=边距（___，“包括Internactions”，包括Internactions）包括Internactions除了以前的语法中的任何输入参数组合。
例子
估计测试样品分类边缘和边缘
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。
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。
mdl = fitcgam（xtrain，ytrain，'classNames'，{“ versicolor”，，，，'Virginica'}）;
MDL是一个分类员模型对象。
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来比较游戏
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'）。
加载电离层
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）;
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。
m = margin（mdl，xtest，ytest）;e = edge（mdl，xtest，ytest）
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。
输入参数
更多关于
