主要内容

CompactClassificationgam.

二值分类的紧致广义可加模型

展开所有页面

    描述

    CompactClassificationgam.是一个紧凑的版本ClassificationGAM模型对象(用于二进制分类的GAM)。紧凑模型不包括用于训练分类器的数据。因此，您不能使用紧凑模型执行某些任务，例如交叉验证。对于预测新数据的标签等任务，使用紧凑的模型。

    创建

    创建一个CompactClassificationgam.对象的完整ClassificationGAM通过使用紧凑的．

    特性

    全部展开

    Gam属性

    此属性是只读的。

    交互项指标，指定为aT.-2正整数的-2矩阵，在哪里T.是模型中的交互术语数。矩阵的每一行表示一个交互项，并包含预测器数据的列索引X对于互动项。如果模型不包含交互项，则此属性为空（［］)．

    该软件根据基于的重要顺序为模型添加交互术语。P.值。使用此属性检查添加到模型中的交互项的顺序。

    数据类型：双

    此属性是只读的。

    模型的截距(常数)项，它是预测树和交互树中截距项的和，指定为一个数值标量。

    数据类型：单身的|双

    其他分类属性

    此属性是只读的。

    分类预测索引指定为正整数的向量。CategoricalPredictors包含与包含分类预测器的预测器数据列对应的索引值。如果没有任何预测器是绝对的，则此属性为空(［］)．

    数据类型：双

    此属性是只读的。

    训练中使用的唯一类标签，指定为类别或字符数组、逻辑或数字向量或字符向量的单元数组。Classnames.具有与类标签相同的数据类型y．（该软件将字符串数组视为字符向量的单元格阵列。）Classnames.还确定了类顺序。

    数据类型：单身的|双|逻辑|字符|细胞|分类

    错误分类成本，指定为2×2数字矩阵。

    成本（一世那j）是将一个点分类为课程的成本j如果它真正的阶级是一世．的行和列的顺序成本中类的顺序Classnames.．

    该软件使用成本预测价值，但没有培训。您可以使用点表示法更改值。

    例子:mdl.cost = c;

    数据类型：双

    此属性是只读的。

    扩展的预测器名称，指定为字符向量的单元格数组。

    ExpandedPredictorNames是一样的PredictorNames对于广义可加模型。

    数据类型：细胞

    此属性是只读的。

    预测器变量名称指定为字符向量的单元格数组。元素的顺序PredictorNames对应于预测器名称在训练数据中出现的顺序。

    数据类型：细胞

    此属性是只读的。

    先前的概率，指定为具有两个元素的数字矢量。元素的顺序对应于元素的顺序Classnames.．

    数据类型：双

    此属性是只读的。

    响应变量名称，指定为字符向量。

    数据类型：字符

    分数转换，指定为字符向量或函数句柄。ScoreTransform表示用于转换预测分类分数的内置变换函数或功能手柄。

    将分数转换函数改为函数例如，使用点表示法。

    • 对于内置函数，请输入字符向量。

      mdl.scoretransform ='函数'

      该表描述了可用的内置函数。

      价值 描述
      “doublelogit” 1 / (1 +E.-2X）
      “invlogit” 日志(X/（1 -X））
      'ismax' 将分数最大的班级的分数设置为1，并将所有其他班级的分数设置为0
      'logit' 1 / (1 +E.-X）
      '没有任何'或'身份' X(转换)
      “标志” -1 for.X< 0
      0X= 0
      1X> 0
      “对称” 2X- 1
      “symmetricismax” 将分数最大的班级的分数设置为1，并将所有其他班级的分数设置为-1
      “symmetriclogit” 2 / (1 +E.-X） - 1

    • 对于一个MATLAB®函数或定义的函数输入其功能句柄。

      Mdl。ScoreTransform = @函数;

      函数必须接受一个矩阵(原始分数)并返回一个相同大小的矩阵(转换分数)。

    此属性确定对象函数的输出分数计算，例如预测那利润,边缘．采用'logit'计算后验概率，并使用'没有任何'计算后验概率的对数。

    数据类型：字符|function_handle.

    对象功能

    全部展开

    石灰 本地可解释模型 - 不可知的解释（石灰）
    partialDependence 计算部分依赖
    plotlocaleffects. 绘制术语局部效应广义添加剂模型（GAM）
    plotPartialDependence 创建部分依赖图（PDP）和个人有条件期望（ICE）情节
    福芙 福利价值观
    预测 使用广义添加剂模型（GAM）进行分类观察
    损失 广义添加剂模型的分类损失（GAM）
    利润 广义添加剂模型的分类边缘（GAM）
    边缘 广义添加剂模型的分类边缘（GAM）
    compareHoldout 使用新数据比较两个分类模型的准确性

    例子

    全部折叠

    打开生活的脚本

    通过去除训练数据来减小全广义可加模型(GAM)的大小。完整的模型保存训练数据。您可以使用一个紧凑的模型来提高内存效率。

    加载电离层数据集。此数据集具有34个预测器和351个雷达返回的二进制响应，无论是坏的吗（'B')或好('G')．

    加载电离层

    使用预测器训练游戏X和班级标签y．推荐的做法是指定类名。

    Mdl = fitcgam (X, Y,“类名”，{'B'那'G'}）
    mdl = classificationgam racitalebame：'y'pationoricalpricictors：[] classnames：{'b'g'} scoreTransform：'logit'拦截：2.2715 numobservations：351属性，方法

    Mdl是A.ClassificationGAM模型对象。

    减小分类器的大小。

    cmdl = compact（mdl）
    cmdl = compactClassificagegam racanceardename：'y'patporicalpricictors：[] classnames：{'b'g'} scoreTransform：'logit'拦截：2.2715属性，方法

    CMDL.是A.CompactClassificationgam.模型对象。

    显示每个分类器使用的内存数量。

    谁是（“Mdl”那'cmdl'）
    名称大小字节类属性cmdl 1x1 1030010 classreg.learning.classif.compactclassificationgam mdl 1x1 1230986 Classificationgam

    完整分类器（Mdl)比紧凑分级机(CMDL.)．

    为了有效地标记新的观察结果，您可以删除Mdl从MATLAB®工作区，然后通过CMDL.和新的预测值值预测．

    也可以看看

    |

    话题

    介绍了R2021a

    统计和机器学习工具箱文档

    万博1manbetx

    掌握机器学习：使用MATLAB逐步指南

    掌握机器学习：使用MATLAB逐步指南

    下载电子书