ClassificationGAMgydF4y2Ba
描述gydF4y2Ba
一个gydF4y2BaClassificationGAMgydF4y2Ba
对象是一个gydF4y2Ba广义加性模型gydF4y2Ba为二进制分类(GAM)对象。它是可翻译的模型来解释类分数(分对数类概率)使用一笔单变量和二元形状函数。gydF4y2Ba
你可以通过使用新的观察结果进行分类gydF4y2Ba预测gydF4y2Ba
功能,图上的每个形状函数的影响预测(类分数)的观察使用gydF4y2BaplotLocalEffectsgydF4y2Ba
函数。对象功能的完整列表gydF4y2BaClassificationGAMgydF4y2Ba
,请参阅gydF4y2Ba对象的功能gydF4y2Ba。gydF4y2Ba
创建gydF4y2Ba
创建一个gydF4y2BaClassificationGAMgydF4y2Ba
对象的使用gydF4y2BafitcgamgydF4y2Ba
。您可以指定两个线性项和交互项预测因子包括单变量的形状函数(预测树)和二元形函数(交互树)在一个训练有素的模型中,分别。gydF4y2Ba
你可以通过使用更新训练模型gydF4y2Ba的简历gydF4y2Ba
或gydF4y2BaaddInteractionsgydF4y2Ba
。gydF4y2Ba
的gydF4y2Ba
的简历gydF4y2Ba
功能恢复训练现有的模型中。gydF4y2Ba的gydF4y2Ba
addInteractionsgydF4y2Ba
函数添加交互项的模型只包含线性项。gydF4y2Ba
属性gydF4y2Ba
访问属性gydF4y2Ba
BinEdgesgydF4y2Ba
- - - - - -gydF4y2Ba本边缘数值预测gydF4y2Ba
单元阵列的数值向量gydF4y2Ba|gydF4y2Ba[]gydF4y2Ba
这个属性是只读的。gydF4y2Ba
本数值预测边缘,指定的单元阵列gydF4y2BapgydF4y2Ba数值向量,gydF4y2BapgydF4y2Ba预测的数量。每个向量包括箱子边缘数值预测。单元阵列中的元素分类预测是空的,因为软件不本分类预测。gydF4y2Ba
软件垃圾箱只有指定数值预测gydF4y2Ba“NumBins”gydF4y2Ba
名称-值参数作为一个正整数标量当训练学习者模型树。的gydF4y2BaBinEdgesgydF4y2Ba
属性是空的,如果gydF4y2Ba“NumBins”gydF4y2Ba
值是空的(默认)。gydF4y2Ba
你可以复制被预测数据gydF4y2BaXbinnedgydF4y2Ba
通过使用gydF4y2BaBinEdgesgydF4y2Ba
训练模型的属性gydF4y2BamdlgydF4y2Ba
。gydF4y2Ba
X = mdl.X;%预测数据Xbinned = 0(大小(X));边缘= mdl.BinEdges;%找到被预测的指标。idxNumeric =找到(~ cellfun (@isempty边缘));如果iscolumn idxNumeric idxNumeric = idxNumeric ';对j = idxNumeric x = x (:, j);% x转换为数组如果x是一个表。如果istable (x) x = table2array (x);组x %到垃圾箱使用结束gydF4y2Ba离散化gydF4y2Ba
函数。xbinned =离散化(x,[无穷;边缘{};正]);Xbinned (:, j) = Xbinned;结束gydF4y2Ba
XbinnedgydF4y2Ba
包含本指标,从1到垃圾箱的数量,数值预测。gydF4y2BaXbinnedgydF4y2Ba
分类预测的值是0。如果gydF4y2BaXgydF4y2Ba
包含gydF4y2Ba南gydF4y2Ba
年代,那么相应的gydF4y2BaXbinnedgydF4y2Ba
值是gydF4y2Ba南gydF4y2Ba
年代。gydF4y2Ba
数据类型:gydF4y2Ba细胞gydF4y2Ba
的相互作用gydF4y2Ba
- - - - - -gydF4y2Ba交互项指标gydF4y2Ba
两列矩阵的正整数gydF4y2Ba|gydF4y2Ba[]gydF4y2Ba
这个属性是只读的。gydF4y2Ba
交互项指标,作为指定gydF4y2BatgydF4y2Ba
2的正整数矩阵,gydF4y2BatgydF4y2Ba
是交互项的数量模型。矩阵的每一行代表一个交互术语和包含的列索引的预测数据gydF4y2BaXgydF4y2Ba
的交互项。如果模型不包括交互项,然后这个属性是空的(gydF4y2Ba[]gydF4y2Ba
)。gydF4y2Ba
软件将交互项添加到模型基于重要性的顺序gydF4y2BapgydF4y2Ba值。使用这个属性来检查交互项的顺序添加到模型中。gydF4y2Ba
数据类型:gydF4y2Ba双gydF4y2Ba
拦截gydF4y2Ba
- - - - - -gydF4y2Ba截距的模型gydF4y2Ba
数字标量gydF4y2Ba
这个属性是只读的。gydF4y2Ba
拦截(常数)的模型,这是截距项的和预测的树木和交互树,指定为一个数字标量。gydF4y2Ba
数据类型:gydF4y2Ba单gydF4y2Ba
|gydF4y2Ba双gydF4y2Ba
ModelParametersgydF4y2Ba
- - - - - -gydF4y2Ba参数用来训练模型gydF4y2Ba
模型参数对象gydF4y2Ba
这个属性是只读的。gydF4y2Ba
参数用来训练模型,指定为一个参数对象模型。gydF4y2BaModelParametersgydF4y2Ba
包含名称-值参数的参数值如用来训练模型。gydF4y2BaModelParametersgydF4y2Ba
不包含估计参数。gydF4y2Ba
访问的字段gydF4y2BaModelParametersgydF4y2Ba
通过使用点符号。例如,访问的最大数量决定分裂/交互树通过使用gydF4y2BaMdl.ModelParameters.MaxNumSplitsPerInteractiongydF4y2Ba
。gydF4y2Ba
PairDetectionBinEdgesgydF4y2Ba
- - - - - -gydF4y2Ba本为交互项检测边缘gydF4y2Ba
单元阵列的数值向量gydF4y2Ba
这个属性是只读的。gydF4y2Ba
本边缘交互项检测数值预测,指定的单元阵列gydF4y2BapgydF4y2Ba数值向量,gydF4y2BapgydF4y2Ba预测的数量。每个向量包括箱子边缘数值预测。单元阵列中的元素分类预测是空的,因为软件不本分类预测。gydF4y2Ba
加快交互项检测过程,软件垃圾箱数值预测到最多8等概率的垃圾箱。箱子的数量可以少于8如果预测不到8独特的价值观。gydF4y2Ba
数据类型:gydF4y2Ba细胞gydF4y2Ba
ReasonForTerminationgydF4y2Ba
- - - - - -gydF4y2Ba原因训练停止gydF4y2Ba
结构gydF4y2Ba
这个属性是只读的。gydF4y2Ba
原因停止训练模型,与两个字段指定为一个结构,gydF4y2BaPredictorTreesgydF4y2Ba
和gydF4y2BaInteractionTreesgydF4y2Ba
。gydF4y2Ba
使用这个属性来检查模型包含每个线性项的指定数量的树(gydF4y2Ba“NumTreesPerPredictor”gydF4y2Ba
每个交互术语()和gydF4y2Ba“NumTreesPerInteraction”gydF4y2Ba
)。如果gydF4y2BafitcgamgydF4y2Ba
函数终止训练之前添加指定数量的树木,这个属性包含终止的原因。gydF4y2Ba
数据类型:gydF4y2Ba结构体gydF4y2Ba
其他分类属性gydF4y2Ba
CategoricalPredictorsgydF4y2Ba
- - - - - -gydF4y2Ba分类预测指标gydF4y2Ba
向量的正整数gydF4y2Ba|gydF4y2Ba[]gydF4y2Ba
这个属性是只读的。gydF4y2Ba
分类预测指标,指定为一个向量的正整数。gydF4y2BaCategoricalPredictorsgydF4y2Ba
包含索引值表明相应的预测分类。索引值介于1和gydF4y2BapgydF4y2Ba
,在那里gydF4y2BapgydF4y2Ba
预测的数量被用来训练模型。如果所有的预测都直言,那么这个属性是空的(gydF4y2Ba[]gydF4y2Ba
)。gydF4y2Ba
数据类型:gydF4y2Ba双gydF4y2Ba
一会gydF4y2Ba
- - - - - -gydF4y2Ba独特的类标签gydF4y2Ba
分类数组gydF4y2Ba|gydF4y2Ba字符数组gydF4y2Ba|gydF4y2Ba逻辑向量gydF4y2Ba|gydF4y2Ba数值向量gydF4y2Ba|gydF4y2Ba单元阵列的特征向量gydF4y2Ba
这个属性是只读的。gydF4y2Ba
独特的类标签用于培训,指定为一个类别或字符数组,逻辑或数值向量,或单元阵列的特征向量。gydF4y2Ba一会gydF4y2Ba
具有相同的数据类型的类标签吗gydF4y2BaYgydF4y2Ba
。gydF4y2Ba(软件对字符串数组作为细胞阵列特征向量)。gydF4y2Ba一会gydF4y2Ba
也决定了课堂秩序。gydF4y2Ba
数据类型:gydF4y2Ba单gydF4y2Ba
|gydF4y2Ba双gydF4y2Ba
|gydF4y2Ba逻辑gydF4y2Ba
|gydF4y2Ba字符gydF4y2Ba
|gydF4y2Ba细胞gydF4y2Ba
|gydF4y2Ba分类gydF4y2Ba
成本gydF4y2Ba
- - - - - -gydF4y2Ba误分类代价gydF4y2Ba
2×2数值矩阵gydF4y2Ba
误分类代价,指定为一个2×2的数字矩阵。gydF4y2Ba
成本(gydF4y2Ba
是一个指向类分类的成本gydF4y2Ba我gydF4y2Ba
,gydF4y2BajgydF4y2Ba
)gydF4y2BajgydF4y2Ba
如果它真正的类gydF4y2Ba我gydF4y2Ba
。的行和列的顺序gydF4y2Ba成本gydF4y2Ba
对应于类的顺序gydF4y2Ba一会gydF4y2Ba
。gydF4y2Ba
软件使用gydF4y2Ba成本gydF4y2Ba
值的预测,但不是训练。你可以改变使用点符号的价值。gydF4y2Ba
例子:gydF4y2BaMdl。成本=C;
数据类型:gydF4y2Ba双gydF4y2Ba
ExpandedPredictorNamesgydF4y2Ba
- - - - - -gydF4y2Ba扩大了预测的名字gydF4y2Ba
单元阵列的特征向量gydF4y2Ba
这个属性是只读的。gydF4y2Ba
扩展预测名称,指定为一个单元阵列的特征向量。gydF4y2Ba
ExpandedPredictorNamesgydF4y2Ba
是一样的gydF4y2BaPredictorNamesgydF4y2Ba
广义加性模型。gydF4y2Ba
数据类型:gydF4y2Ba细胞gydF4y2Ba
NumObservationsgydF4y2Ba
- - - - - -gydF4y2Ba数量的观察gydF4y2Ba
数字标量gydF4y2Ba
这个属性是只读的。gydF4y2Ba
训练数据存储在观测的数量gydF4y2BaXgydF4y2Ba
和gydF4y2BaYgydF4y2Ba
,指定为一个数字标量。gydF4y2Ba
数据类型:gydF4y2Ba双gydF4y2Ba
PredictorNamesgydF4y2Ba
- - - - - -gydF4y2Ba预测变量的名字gydF4y2Ba
单元阵列的特征向量gydF4y2Ba
这个属性是只读的。gydF4y2Ba
预测变量名称,指定为一个单元阵列的特征向量。元素的顺序gydF4y2BaPredictorNamesgydF4y2Ba
对应的顺序预测的名字出现在训练数据。gydF4y2Ba
数据类型:gydF4y2Ba细胞gydF4y2Ba
之前gydF4y2Ba
- - - - - -gydF4y2Ba前类概率gydF4y2Ba
数值向量gydF4y2Ba
这个属性是只读的。gydF4y2Ba
类概率之前,与两个元素指定为一个数值向量。元素的顺序对应元素的顺序gydF4y2Ba一会gydF4y2Ba
。gydF4y2Ba
数据类型:gydF4y2Ba双gydF4y2Ba
ResponseNamegydF4y2Ba
- - - - - -gydF4y2Ba响应变量名gydF4y2Ba
特征向量gydF4y2Ba
这个属性是只读的。gydF4y2Ba
响应变量名称,指定为一个特征向量。gydF4y2Ba
数据类型:gydF4y2Ba字符gydF4y2Ba
RowsUsedgydF4y2Ba
- - - - - -gydF4y2Ba行用于拟合gydF4y2Ba
[]gydF4y2Ba
|gydF4y2Ba逻辑向量gydF4y2Ba
这个属性是只读的。gydF4y2Ba
行中使用的原始训练数据拟合gydF4y2BaClassificationGAMgydF4y2Ba
模型,指定为一个逻辑向量。使用这个属性是空的,如果所有行。gydF4y2Ba
数据类型:gydF4y2Ba逻辑gydF4y2Ba
ScoreTransformgydF4y2Ba
- - - - - -gydF4y2Ba分数转换gydF4y2Ba
特征向量gydF4y2Ba|gydF4y2Ba函数处理gydF4y2Ba
分数变换,指定为一个特征向量或函数句柄。gydF4y2BaScoreTransformgydF4y2Ba
代表一个内置的函数或一个函数处理转换分类预测分数。gydF4y2Ba
改变分数转换函数gydF4y2Ba函数gydF4y2Ba
例如,使用点符号。gydF4y2Ba
对于一个内置的函数,输入一个特征向量。gydF4y2Ba
Mdl。ScoreTransform = 'gydF4y2Ba函数gydF4y2Ba”;gydF4y2Ba
此表描述了可用的内置函数。gydF4y2Ba
价值gydF4y2Ba 描述gydF4y2Ba “doublelogit”gydF4y2Ba
1 / (1 +gydF4y2BaegydF4y2Ba2gydF4y2BaxgydF4y2Ba)gydF4y2Ba “invlogit”gydF4y2Ba
日志(gydF4y2BaxgydF4y2Ba/ (1 -gydF4y2BaxgydF4y2Ba))gydF4y2Ba “ismax”gydF4y2Ba
集类的分数最大的分数为1,并设置所有其他类的分数为0gydF4y2Ba 分对数的gydF4y2Ba
1 / (1 +gydF4y2BaegydF4y2Ba- - - - - -gydF4y2BaxgydF4y2Ba)gydF4y2Ba “没有”gydF4y2Ba
或gydF4y2Ba“身份”gydF4y2Ba
xgydF4y2Ba(转换)gydF4y2Ba “标志”gydF4y2Ba
1gydF4y2BaxgydF4y2Ba< 0gydF4y2Ba
为0gydF4y2BaxgydF4y2Ba= 0gydF4y2Ba
1gydF4y2BaxgydF4y2Ba> 0gydF4y2Ba“对称”gydF4y2Ba
2gydF4y2BaxgydF4y2Ba- 1gydF4y2Ba “symmetricismax”gydF4y2Ba
集合类的分数最大的分数为1,和所有其他类的分数设置为1gydF4y2Ba “symmetriclogit”gydF4y2Ba
2 / (1 +gydF4y2BaegydF4y2Ba- - - - - -gydF4y2BaxgydF4y2Ba)- 1gydF4y2Ba 对于一个MATLABgydF4y2Ba®gydF4y2Ba函数或你定义一个函数,输入它的功能处理。gydF4y2Ba
Mdl。ScoreTransform = @gydF4y2Ba函数gydF4y2Ba;gydF4y2Ba
函数gydF4y2Ba
必须接受一个矩阵(原始分数)并返回一个相同大小的矩阵(转换后的分数)。gydF4y2Ba
这个属性决定了输出分数计算对象等功能gydF4y2Ba预测gydF4y2Ba
,gydF4y2Ba保证金gydF4y2Ba
,gydF4y2Ba边缘gydF4y2Ba
。使用gydF4y2Ba分对数的gydF4y2Ba
计算后验概率,和使用gydF4y2Ba“没有”gydF4y2Ba
要计算分对数的后验概率。gydF4y2Ba
数据类型:gydF4y2Ba字符gydF4y2Ba
|gydF4y2Bafunction_handlegydF4y2Ba
WgydF4y2Ba
- - - - - -gydF4y2Ba观察权重gydF4y2Ba
数值向量gydF4y2Ba
这个属性是只读的。gydF4y2Ba
观察权重用来训练模型,指定为一个gydF4y2BangydF4y2Ba1数字向量。gydF4y2BangydF4y2Ba是观测的数量(gydF4y2BaNumObservationsgydF4y2Ba
)。gydF4y2Ba
软件可实现观察中指定的权重gydF4y2Ba“重量”gydF4y2Ba
名称-值参数的元素gydF4y2BaWgydF4y2Ba
在一个特定的类和类的先验概率。gydF4y2Ba
数据类型:gydF4y2Ba双gydF4y2Ba
XgydF4y2Ba
- - - - - -gydF4y2Ba预测gydF4y2Ba
数字矩阵gydF4y2Ba|gydF4y2Ba表gydF4y2Ba
这个属性是只读的。gydF4y2Ba
预测用于训练模型,指定为一个数字矩阵或表。gydF4y2Ba
每一行的gydF4y2BaXgydF4y2Ba
对应于一个观察,每一列对应一个变量。gydF4y2Ba
数据类型:gydF4y2Ba单gydF4y2Ba
|gydF4y2Ba双gydF4y2Ba
|gydF4y2Ba表gydF4y2Ba
YgydF4y2Ba
- - - - - -gydF4y2Ba类标签gydF4y2Ba
分类数组gydF4y2Ba|gydF4y2Ba字符数组gydF4y2Ba|gydF4y2Ba逻辑向量gydF4y2Ba|gydF4y2Ba数值向量gydF4y2Ba|gydF4y2Ba单元阵列的特征向量gydF4y2Ba
这个属性是只读的。gydF4y2Ba
类标签用于训练模型,指定为一个类别或字符数组,逻辑或数值向量,或单元阵列的特征向量。gydF4y2BaYgydF4y2Ba
具有相同的数据类型作为响应变量用来训练模型。gydF4y2Ba(软件对字符串数组作为细胞阵列特征向量)。gydF4y2Ba
每一行的gydF4y2BaYgydF4y2Ba
代表观察到的分类对应的行gydF4y2BaXgydF4y2Ba
。gydF4y2Ba
数据类型:gydF4y2Ba单gydF4y2Ba
|gydF4y2Ba双gydF4y2Ba
|gydF4y2Ba逻辑gydF4y2Ba
|gydF4y2Ba字符gydF4y2Ba
|gydF4y2Ba细胞gydF4y2Ba
|gydF4y2Ba分类gydF4y2Ba
Hyperparameter优化性能gydF4y2Ba
HyperparameterOptimizationResultsgydF4y2Ba
- - - - - -gydF4y2Ba交叉验证优化hyperparameters的描述gydF4y2Ba
BayesianOptimizationgydF4y2Ba
对象gydF4y2Ba|gydF4y2Ba表gydF4y2Ba
这个属性是只读的。gydF4y2Ba
描述hyperparameters交叉验证优化的,指定为一个gydF4y2BaBayesianOptimizationgydF4y2Ba
对象或一个表hyperparameters和相关联的值。该属性时非空的gydF4y2Ba“OptimizeHyperparameters”gydF4y2Ba
名称-值参数gydF4y2BafitcgamgydF4y2Ba
不是gydF4y2Ba“没有”gydF4y2Ba
(默认)创建对象时。的价值gydF4y2BaHyperparameterOptimizationResultsgydF4y2Ba
取决于的设置gydF4y2Ba优化器gydF4y2Ba
字段gydF4y2BaHyperparameterOptimizationOptionsgydF4y2Ba
的结构gydF4y2BafitcgamgydF4y2Ba
当对象被创建。gydF4y2Ba
的价值gydF4y2Ba优化器gydF4y2Ba 场gydF4y2Ba |
的价值gydF4y2BaHyperparameterOptimizationResultsgydF4y2Ba |
---|---|
“bayesopt”gydF4y2Ba (默认)gydF4y2Ba |
对象的类gydF4y2BaBayesianOptimizationgydF4y2Ba |
“gridsearch”gydF4y2Ba 或gydF4y2Ba“randomsearch”gydF4y2Ba |
hyperparameters表使用,观察目标函数值(交叉验证损失)和从最低(最好的)最高等级的观察(坏的)gydF4y2Ba |
对象的功能gydF4y2Ba
创建gydF4y2BaCompactClassificationGAMgydF4y2Ba
紧凑的gydF4y2Ba |
减少机器学习模型的大小gydF4y2Ba |
创建gydF4y2BaClassificationPartitionedGAMgydF4y2Ba
crossvalgydF4y2Ba |
旨在机器学习模型gydF4y2Ba |
更新联欢gydF4y2Ba
addInteractionsgydF4y2Ba |
添加交互条款单变量广义相加模型(GAM)gydF4y2Ba |
的简历gydF4y2Ba |
恢复训练的广义相加模型(GAM)gydF4y2Ba |
解释预测gydF4y2Ba
石灰gydF4y2Ba |
本地可model-agnostic解释(石灰)gydF4y2Ba |
partialDependencegydF4y2Ba |
计算部分依赖gydF4y2Ba |
plotLocalEffectsgydF4y2Ba |
情节当地的影响计算广义相加模型(GAM)gydF4y2Ba |
plotPartialDependencegydF4y2Ba |
创建部分依赖图(PDP)和个人条件期望(ICE)情节gydF4y2Ba |
沙普利gydF4y2Ba |
沙普利值gydF4y2Ba |
新的观察结果的评估预测性能gydF4y2Ba
预测gydF4y2Ba |
分类观察使用广义相加模型(GAM)gydF4y2Ba |
损失gydF4y2Ba |
分类损失广义相加模型(GAM)gydF4y2Ba |
保证金gydF4y2Ba |
分类利润率广义相加模型(GAM)gydF4y2Ba |
边缘gydF4y2Ba |
分类边界广义相加模型(GAM)gydF4y2Ba |
训练数据的评估预测性能gydF4y2Ba
resubPredictgydF4y2Ba |
使用训练数据训练分类器进行分类gydF4y2Ba |
resubLossgydF4y2Ba |
Resubstitution分类损失gydF4y2Ba |
resubMargingydF4y2Ba |
Resubstitution分类保证金gydF4y2Ba |
resubEdgegydF4y2Ba |
Resubstitution分类边缘gydF4y2Ba |
比较精度gydF4y2Ba
compareHoldoutgydF4y2Ba |
比较两种分类模型使用新数据的精度gydF4y2Ba |
testckfoldgydF4y2Ba |
比较两种分类模型的精度重复交叉验证gydF4y2Ba |
例子gydF4y2Ba
火车广义加性模型gydF4y2Ba
火车一个单变量广义加性模型,其中包含线性项预测。然后,解释预测通过使用指定的数据实例gydF4y2BaplotLocalEffectsgydF4y2Ba
函数。gydF4y2Ba
加载gydF4y2Ba电离层gydF4y2Ba
数据集。这个数据集有34个预测因子和351二进制响应雷达回报,要么坏(gydF4y2Ba“b”gydF4y2Ba
)或好(gydF4y2Ba‘g’gydF4y2Ba
)。gydF4y2Ba
负载gydF4y2Ba电离层gydF4y2Ba
火车一个单变量GAM,表明雷达回波是否坏(gydF4y2Ba“b”gydF4y2Ba
)或好(gydF4y2Ba‘g’gydF4y2Ba
)。gydF4y2Ba
Mdl = fitcgam (X, Y)gydF4y2Ba
Mdl = ClassificationGAM ResponseName:‘Y’CategoricalPredictors:[]类名:{b ' g '} ScoreTransform:分对数的截距:2.2715 NumObservations: 351属性、方法gydF4y2Ba
MdlgydF4y2Ba
是一个gydF4y2BaClassificationGAMgydF4y2Ba
模型对象。该模型显示显示了部分模型的属性列表。查看完整的属性列表,双击变量名gydF4y2BaMdlgydF4y2Ba
在工作区中。变量编辑器打开gydF4y2BaMdlgydF4y2Ba
。或者,您可以在命令窗口中显示属性使用点符号。例如,显示类的顺序gydF4y2BaMdlgydF4y2Ba
。gydF4y2Ba
classOrder = Mdl.ClassNamesgydF4y2Ba
classOrder =gydF4y2Ba2 x1细胞gydF4y2Ba{b} {' g '}gydF4y2Ba
分类的第一个观察训练数据,画出当地条件的影响gydF4y2BaMdlgydF4y2Ba
在预测。gydF4y2Ba
标签=预测(Mdl X (1,:))gydF4y2Ba
标签=gydF4y2Ba1 x1单元阵列gydF4y2Ba{' g '}gydF4y2Ba
:plotLocalEffects (Mdl X (1))gydF4y2Ba
的gydF4y2Ba预测gydF4y2Ba
函数将第一次观察到gydF4y2BaX (1:)gydF4y2Ba
作为gydF4y2Ba‘g’gydF4y2Ba
。的gydF4y2BaplotLocalEffectsgydF4y2Ba
函数创建一个水平条形图显示当地的影响预测的10个最重要的方面。每个局部效应值显示每一项的贡献分类得分gydF4y2Ba‘g’gydF4y2Ba
,这是分对数的后验概率的分类gydF4y2Ba‘g’gydF4y2Ba
的观察。gydF4y2Ba
火车GAM和交互gydF4y2Ba
火车一个包含线性广义相加模型和交互条件预测在三种不同的方式:gydF4y2Ba
指定的交互使用gydF4y2Ba
公式gydF4y2Ba
输入参数。gydF4y2Ba指定gydF4y2Ba
“互动”gydF4y2Ba
名称-值参数。gydF4y2Ba首先建立一个模型与线性项和添加交互模型通过使用条款gydF4y2Ba
addInteractionsgydF4y2Ba
函数。gydF4y2Ba
加载费雪的虹膜数据集。创建一个表,其中包含观察杂色的和virginica。gydF4y2Ba
负载gydF4y2BafisheririsgydF4y2Ba第1 = strcmp(物种,gydF4y2Ba“多色的”gydF4y2Ba)| strcmp(物种,gydF4y2Ba“virginica”gydF4y2Ba);台= array2table(量(第1:)gydF4y2Ba“VariableNames”gydF4y2Ba,(gydF4y2Ba“x1”gydF4y2Ba,gydF4y2Ba“x2”gydF4y2Ba,gydF4y2Ba“x3”gydF4y2Ba,gydF4y2Ba“x4”gydF4y2Ba]);资源描述。Y=species(inds,:);
指定gydF4y2Ba公式gydF4y2Ba
火车一个包含四个线性GAM术语(gydF4y2Bax1gydF4y2Ba
,gydF4y2Bax2gydF4y2Ba
,gydF4y2Bax3gydF4y2Ba
,gydF4y2Bax4gydF4y2Ba
)和两个交互术语(gydF4y2Bax1 * x2gydF4y2Ba
和gydF4y2Bax2 * x3gydF4y2Ba
)。指定使用一个公式的形式gydF4y2Ba“Y ~条款”gydF4y2Ba
。gydF4y2Ba
Mdl1 = fitcgam(资源描述,gydF4y2BaY ~ x1 + x2 + x3 + x4 + x1, x2 + x2: x3的gydF4y2Ba);gydF4y2Ba
函数添加交互模型的重要性的顺序。您可以使用gydF4y2Ba的相互作用gydF4y2Ba
财产检查条款的交互模型和顺序gydF4y2BafitcgamgydF4y2Ba
将它们添加到模型中。显示gydF4y2Ba的相互作用gydF4y2Ba
财产。gydF4y2Ba
Mdl1.InteractionsgydF4y2Ba
ans =gydF4y2Ba2×2gydF4y2Ba2 3 1 2gydF4y2Ba
每一行的gydF4y2Ba的相互作用gydF4y2Ba
代表一个交互术语和包含的列索引的预测变量的交互项。gydF4y2Ba
指定gydF4y2Ba“互动”gydF4y2Ba
通过训练数据(gydF4y2Ba资源描述gydF4y2Ba
)和响应变量的名称gydF4y2Ba资源描述gydF4y2Ba
来gydF4y2BafitcgamgydF4y2Ba
,功能包括所有其他变量的线性项预测。指定gydF4y2Ba“互动”gydF4y2Ba
使用一个逻辑名称参数矩阵包括两个交互方面,gydF4y2Bax1 * x2gydF4y2Ba
和gydF4y2Bax2 * x3gydF4y2Ba
。gydF4y2Ba
Mdl2 = fitcgam(资源描述,gydF4y2Ba“Y”gydF4y2Ba,gydF4y2Ba“互动”gydF4y2Ba、逻辑([1 1 0 0;0 1 1 0]));Mdl2.InteractionsgydF4y2Ba
ans =gydF4y2Ba2×2gydF4y2Ba2 3 1 2gydF4y2Ba
您还可以指定gydF4y2Ba“互动”gydF4y2Ba
交互的数量或条款gydF4y2Ba“所有”gydF4y2Ba
包含所有可用的交互。在指定的交互项,gydF4y2BafitcgamgydF4y2Ba
识别那些gydF4y2BapgydF4y2Ba值不大于gydF4y2Ba“MaxPValue”gydF4y2Ba
值并将它们添加到模型中。默认的gydF4y2Ba“MaxPValue”gydF4y2Ba
是1,函数将所有指定的交互项添加到模型中。gydF4y2Ba
指定gydF4y2Ba“互动”、“所有”gydF4y2Ba
并设置gydF4y2Ba“MaxPValue”gydF4y2Ba
0.01名称参数。gydF4y2Ba
Mdl3 = fitcgam(资源描述,gydF4y2Ba“Y”gydF4y2Ba,gydF4y2Ba“互动”gydF4y2Ba,gydF4y2Ba“所有”gydF4y2Ba,gydF4y2Ba“MaxPValue”gydF4y2Ba,0.01);Mdl3.InteractionsgydF4y2Ba
ans =gydF4y2Ba5×2gydF4y2Ba3 4 2 4 1 4 2 3 3gydF4y2Ba
Mdl3gydF4y2Ba
包括5个可用的六对交互方面。gydF4y2Ba
使用gydF4y2BaaddInteractionsgydF4y2Ba
函数gydF4y2Ba
火车一个包含线性单变量GAM条件预测,然后添加交互训练模型通过使用条款gydF4y2BaaddInteractionsgydF4y2Ba
函数。指定的第二个输入参数gydF4y2BaaddInteractionsgydF4y2Ba
以同样的方式你指定gydF4y2Ba“互动”gydF4y2Ba
名称-值参数gydF4y2BafitcgamgydF4y2Ba
。您可以指定使用逻辑矩阵相互作用项的列表,交互项的数量,或gydF4y2Ba“所有”gydF4y2Ba
。gydF4y2Ba
指定数量的交互项5五个最重要的交互项添加到训练模型。gydF4y2Ba
Mdl4 = fitcgam(资源描述,gydF4y2Ba“Y”gydF4y2Ba);UpdatedMdl4 = addInteractions (Mdl4 5);UpdatedMdl4.InteractionsgydF4y2Ba
ans =gydF4y2Ba5×2gydF4y2Ba3 4 2 4 1 4 2 3 3gydF4y2Ba
Mdl4gydF4y2Ba
是一个单变量GAM,gydF4y2BaUpdatedMdl4gydF4y2Ba
是一个包含所有的更新GAM条款gydF4y2BaMdl4gydF4y2Ba
和五个额外的交互。gydF4y2Ba
在GAM恢复训练预测树gydF4y2Ba
火车一个单变量分类GAM(只包含线性项)少量的迭代。训练后更多的迭代模型,比较resubstitution损失。gydF4y2Ba
加载gydF4y2Ba电离层gydF4y2Ba
数据集。这个数据集有34个预测因子和351二进制响应雷达回报,要么坏(gydF4y2Ba“b”gydF4y2Ba
)或好(gydF4y2Ba‘g’gydF4y2Ba
)。gydF4y2Ba
负载gydF4y2Ba电离层gydF4y2Ba
火车一个单变量GAM,表明雷达回波是否坏(gydF4y2Ba“b”gydF4y2Ba
)或好(gydF4y2Ba‘g’gydF4y2Ba
)。树的数量/线性项指定为2。gydF4y2BafitcgamgydF4y2Ba
指定数量的迭代的迭代增强算法。对于每个提高迭代,每个线性项功能增加了一棵树。指定gydF4y2Ba“详细”gydF4y2Ba
在每个迭代2显示诊断消息。gydF4y2Ba
Mdl = fitcgam (X, Y,gydF4y2Ba“NumTreesPerPredictor”gydF4y2Ba2,gydF4y2Ba“详细”gydF4y2Ba2);gydF4y2Ba
| = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = | | |型NumTrees |异常| RelTol | LearnRate | | = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = | | 1 d | 0 | 486.59 | - | | | 1 d | 1 | 166.71 |正| 1 | | 1 d | 2 | 78.336 | 0.58205 | 1 |gydF4y2Ba
检查是否gydF4y2BafitcgamgydF4y2Ba
列车指定数量的树,显示gydF4y2BaReasonForTerminationgydF4y2Ba
财产的训练模型和视图显示的消息。gydF4y2Ba
Mdl.ReasonForTerminationgydF4y2Ba
ans =gydF4y2Ba结构体字段:gydF4y2BaPredictorTrees:“训练后终止请求数量的树木。“InteractionTrees:“gydF4y2Ba
计算训练数据的分类损失。gydF4y2Ba
resubLoss (Mdl)gydF4y2Ba
ans = 0.0142gydF4y2Ba
另一个100次迭代恢复训练模型。因为gydF4y2BaMdlgydF4y2Ba
只包含线性项,gydF4y2Ba的简历gydF4y2Ba
功能恢复训练线性条件和添加更多的树(预测树)。指定gydF4y2Ba“详细”gydF4y2Ba
和gydF4y2Ba“NumPrint”gydF4y2Ba
在每10迭代显示诊断消息。gydF4y2Ba
UpdatedMdl =简历(Mdl, 100,gydF4y2Ba“详细”gydF4y2Ba,1gydF4y2Ba“NumPrint”gydF4y2Ba10);gydF4y2Ba
| = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = | | |型NumTrees |异常| RelTol | LearnRate | | = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = | | 1 d | 0 | 78.336 | - | | | 1 d | 1 | 38.364 | 0.17429 | 1 | | 1 d | 10 | 0.16311 | 0.011894 | 1 | | 1 d | 20 | 0.00035693 | 0.0025178 | 1 | | 1 30 d | | 8.1191 e-07 | 0.0011006 | 1 | | 1 d e-09 40 | | 1.7978 | 0.00074607 | 1 | | 1 d e-12 50 | | 3.6113 | 0.00034404 | 1 | | 1 d 60 e-13 | 1.7497 | 0.00016541 | | 1 |gydF4y2Ba
UpdatedMdl.ReasonForTerminationgydF4y2Ba
ans =gydF4y2Ba结构体字段:gydF4y2BaPredictorTrees:“不能改善模型。“InteractionTrees:“gydF4y2Ba
的简历gydF4y2Ba
终止培训当添加更多的树不能改善模型的异常。gydF4y2Ba
使用更新后的模型计算出分类损失。gydF4y2Ba
resubLoss (UpdatedMdl)gydF4y2Ba
ans = 0gydF4y2Ba
分类后减少损失gydF4y2Ba的简历gydF4y2Ba
用更多的迭代更新模型。gydF4y2Ba
更多关于gydF4y2Ba
广义相加模型(GAM)二进制分类gydF4y2Ba
广义相加模型(GAM)是一种可说明的模型来解释类分数(分对数类概率)使用一笔单变量和二元函数的预测因子。gydF4y2Ba
fitcgamgydF4y2Ba
使用了树作为形状函数为每个预测,可选地,每一对预测;因此,函数可以捕获一个预测和响应变量之间的非线性关系。因为贡献个人的形状函数来预测(分类评分)分离,模型很容易解释。gydF4y2Ba
标准为每个预测GAM使用一个单变量的形状函数。gydF4y2Ba
在哪里gydF4y2BaygydF4y2Ba是一个响应变量是二项分布与成功的概率(积极的概率类)gydF4y2BaμgydF4y2Ba在gydF4y2BangydF4y2Ba观察。gydF4y2BaggydF4y2Ba(gydF4y2BaμgydF4y2Ba)gydF4y2Ba是一个分对数链接功能,gydF4y2BacgydF4y2Ba是一个拦截(常数)。gydF4y2BafgydF4y2Ba我gydF4y2Ba(gydF4y2BaxgydF4y2Ba我gydF4y2Ba)是一个单变量函数的形状gydF4y2Ba我gydF4y2Bath预测,提高了树的线性项预测(预测树)。gydF4y2Ba
您可以包括预测因子之间的相互作用在模型中通过添加二元形状功能的重要的交互模型。gydF4y2Ba
在哪里gydF4y2BafgydF4y2BaijgydF4y2Ba(gydF4y2BaxgydF4y2Ba我gydF4y2BaxgydF4y2BajgydF4y2Ba)是一个二元函数的形状gydF4y2Ba我gydF4y2Bath和gydF4y2BajgydF4y2Bath预测,这是一个提高树为一个交互项预测(交互树)。gydF4y2Ba
fitcgamgydF4y2Ba
发现重要的交互条款的基础上gydF4y2BapgydF4y2Ba值的gydF4y2BaFgydF4y2Ba测试。有关详细信息,请参见gydF4y2Ba交互项检测gydF4y2Ba。gydF4y2Ba
引用gydF4y2Ba
[1]卢,阴,丰富Caruana,约翰内斯·耶尔克。“可理解的模式分类和回归。”gydF4y2Ba18 ACM SIGKDD学报》国际会议上知识发现和数据挖掘(KDD ' 12)。gydF4y2Ba中国,北京:ACM出版社,2012,页150 - 158。gydF4y2Ba
[2]卢、阴、富Caruana,约翰内斯·耶尔克,贾尔斯妓女。“准确理解成对作用模型。”gydF4y2Ba19 ACM SIGKDD学报》国际会议上知识发现和数据挖掘(KDD ' 13)gydF4y2Ba美国伊利诺斯州芝加哥:ACM出版社,2013,页623 - 631。gydF4y2Ba
版本历史gydF4y2Ba
介绍了R2021agydF4y2Ba
另请参阅gydF4y2Ba
CompactClassificationGAMgydF4y2Ba
|gydF4y2BaClassificationPartitionedGAMgydF4y2Ba
|gydF4y2BafitcgamgydF4y2Ba
|gydF4y2Ba的简历gydF4y2Ba
|gydF4y2BaaddInteractionsgydF4y2Ba
主题gydF4y2Ba
예제열기gydF4y2Ba
이예제의수정된버전이있습니다。사용자가편집한내용을반영하여이예제를여시겠습니까?gydF4y2Ba
MATLAB명령gydF4y2Ba
다음MATLAB명령에해당하는링크를클릭했습니다。gydF4y2Ba
명령을실행하려면MATLAB명령창에입력하십시오。웹브라우저는MATLAB명령을지원하지않습니다。gydF4y2Ba
选择一个网站gydF4y2Ba
选择一个网站翻译内容,看到当地事件和提供。根据你的位置,我们建议您选择:gydF4y2Ba。gydF4y2Ba
你也可以从下面的列表中选择一个网站:gydF4y2Ba
表现最好的网站怎么走吗gydF4y2Ba
选择中国网站(中文或英文)最佳站点的性能。其他MathWorks国家网站不优化的访问你的位置。gydF4y2Ba
美洲gydF4y2Ba
- 美国拉丁gydF4y2Ba(西班牙语)gydF4y2Ba
- 加拿大gydF4y2Ba(英语)gydF4y2Ba
- 美国gydF4y2Ba(英语)gydF4y2Ba
欧洲gydF4y2Ba
- 比利时gydF4y2Ba(英语)gydF4y2Ba
- 丹麦gydF4y2Ba(英语)gydF4y2Ba
- 德国gydF4y2Ba(德语)gydF4y2Ba
- 西班牙gydF4y2Ba(西班牙语)gydF4y2Ba
- 芬兰gydF4y2Ba(英语)gydF4y2Ba
- 法国gydF4y2Ba(法语)gydF4y2Ba
- 爱尔兰gydF4y2Ba(英语)gydF4y2Ba
- 意大利gydF4y2Ba(意大利语)gydF4y2Ba
- 卢森堡gydF4y2Ba(英语)gydF4y2Ba
- 荷兰gydF4y2Ba(英语)gydF4y2Ba
- 挪威gydF4y2Ba(英语)gydF4y2Ba
- 奥地利gydF4y2Ba(德语)gydF4y2Ba
- 葡萄牙gydF4y2Ba(英语)gydF4y2Ba
- 瑞典gydF4y2Ba(英语)gydF4y2Ba
- 瑞士gydF4y2Ba
- 联合王国gydF4y2Ba(英语)gydF4y2Ba
亚太地区gydF4y2Ba
- 澳大利亚gydF4y2Ba(英语)gydF4y2Ba
- 印度gydF4y2Ba(英语)gydF4y2Ba
- 新西兰gydF4y2Ba(英语)gydF4y2Ba
- 中国gydF4y2Ba
- 日本gydF4y2Ba(日本語)gydF4y2Ba
- 한국gydF4y2Ba(한국어)gydF4y2Ba