主要内容

广义添加剂模型

由二进制分类的单变量和双变量形状函数组成的可解释模型

用Fitcgam.适合二进制分类的广义添加剂模型。

广义添加剂模型（GAM）是一种可解释的模型，用于使用预测器的单变量和双变量形状函数的总和解释类别评分（类概率的登录）。Fitcgam.使用升级树作为每个预测器的形状函数，并且可选地，每对预测器;因此，该功能可以捕获预测器和响应变量之间的非线性关系。因为各个形状函数对预测（分类评分）的贡献很好地分开，所以该模型易于解释。

对象

Classificationgam. 二进制分类的广义添加剂模型（GAM）
CompactClassificationgam. 用于二进制分类的紧凑型广义添加剂模型（GAM）
Classificationededgam. 交叉验证的广义添加剂模型（GAM）进行分类

职能

展开全部

Fitcgam. 用于二进制分类的符合广义添加剂模型（GAM）
袖珍的 减少机器学习模型的尺寸
横梁 交叉验证机器学习模型
addinterAction. 为单变量的广义添加剂模型（GAM）添加交互术语
恢复 恢复广义添加剂模型的培训（GAM）
酸橙 本地可解释模型 - 不可知的解释（石灰）
部分竞争 计算部分依赖
plotlocaleffects. 绘制术语局部效应广义添加剂模型（GAM）
绘图竞争依赖性 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）
重新预订 使用培训的分类器对培训数据进行分类
resubloss. 重新提交分类损失
重新提交 重新取款分类保证金
重新提交 重新提交分类边缘
Kfoldpredict 对交叉验证的分类模型进行分类观察
Kfoldloss. 交叉验证分类模型的分类损失
Kfoldmargin. 交叉验证分类模型的分类边距
Kfoldedge 交叉验证分类模型的分类边缘
kfoldfun. 交叉验证功能进行分类
CompareHoldout. 使用新数据比较两个分类模型的精度
testckfold. 通过重复的交叉验证比较两个分类模型的精度

话题

火车广义添加剂模型进行二进制分类

用最佳参数训练广义添加剂模型（GAM），评估预测性能，并解释培训的模型。

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