主要内容GydF4y2Ba

Classificationgam.GydF4y2Ba

用于二值分类的广义可加模型GydF4y2Ba

全部展开页面GydF4y2Ba

    描述GydF4y2Ba

    一种GydF4y2BaClassificationgam.GydF4y2Ba对象是A.GydF4y2Ba广义添加剂模型GydF4y2Ba（GAM）用于二元分类的对象。它是一种可解释的模型，使用一元和二元形状函数之和来解释类别分数（类别概率的logit）。GydF4y2Ba

    您可以通过使用来分类新观察GydF4y2Ba预测GydF4y2Ba函数，并使用GydF4y2Baplotlocaleffects.GydF4y2Ba函数的对象函数的完整列表GydF4y2BaClassificationgam.GydF4y2Ba， 看GydF4y2Ba目标函数GydF4y2Ba．GydF4y2Ba

    创建GydF4y2Ba

    创建一个GydF4y2BaClassificationgam.GydF4y2Ba通过使用GydF4y2BafitcgamGydF4y2Ba．您可以为预测器指定线性项和交互项，以便在训练模型中分别包含单变量形状函数(预测树)和双变量形状函数(交互树)。GydF4y2Ba

    可以使用更新经过训练的模型GydF4y2Ba恢复GydF4y2Ba或GydF4y2Ba额外的相互作用GydF4y2Ba．GydF4y2Ba

    • 这GydF4y2Ba恢复GydF4y2Ba函数恢复模型中现有术语的培训。GydF4y2Ba

    • 这GydF4y2Ba额外的相互作用GydF4y2Ba功能将交互术语添加到仅包含线性术语的模型。GydF4y2Ba

    特性GydF4y2Ba

    展开全部GydF4y2Ba

    Gam属性GydF4y2Ba

    此属性是只读的。GydF4y2Ba

    数字预测器的Bin边缘，指定为单元数组GydF4y2BaP.GydF4y2Ba数值向量,GydF4y2BaP.GydF4y2Ba是预测器的数量。每个矢量包括用于数字预测器的箱边缘。用于分类预测器的单元阵列中的元素是空的，因为软件没有箱分类预测器。GydF4y2Ba

    仅当您指定GydF4y2Ba'numbins'GydF4y2Ba当使用树学习器训练模型时，将名称-值参数作为正整数标量。这GydF4y2Ba毕业生GydF4y2Ba属性为空GydF4y2Ba'numbins'GydF4y2Ba值为空（默认值）。GydF4y2Ba

    您可以重现Binned Predictor数据GydF4y2BaXbinnedGydF4y2Ba通过使用GydF4y2Ba毕业生GydF4y2Ba培训模型的财产GydF4y2BamdlGydF4y2Ba．GydF4y2Ba

    X = mdl.X;%预测数据Xbinned = 0 (size(X));边缘= mdl.BinEdges;找到被分类的预测器的指数。idxNumeric =找到(~ cellfun (@isempty边缘));if iscolumn(idxNumeric) idxNumeric = idxNumeric';end for j = idxNumeric x = x (:，j);%如果x是一个表，则将x转换为数组。If istable(x) x = table2array(x);将x组到bin中GydF4y2Ba离散化GydF4y2Ba功能。xbinned =离散化（x，[ -  inf;边缘{j}; inf]）;Xbinned（：，j）= xbinned;结尾GydF4y2Ba
    XbinnedGydF4y2Ba包含单位，范围为1到箱数，用于数字预测器。GydF4y2BaXbinnedGydF4y2Ba对于分类预测器，值为0。如果GydF4y2BaXGydF4y2Ba包含GydF4y2Ba楠GydF4y2Bas，然后相应的GydF4y2BaXbinnedGydF4y2Ba价值观是GydF4y2Ba楠GydF4y2Ba年代。GydF4y2Ba

    数据类型：GydF4y2Ba细胞GydF4y2Ba

    此属性是只读的。GydF4y2Ba

    互动项指数，指定为aGydF4y2BaT.GydF4y2Ba正整数的- × 2矩阵，其中GydF4y2BaT.GydF4y2Ba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GydF4y2BaXGydF4y2Ba对于互动项。如果模型不包含交互项，则此属性为空（GydF4y2Ba[]GydF4y2Ba）.GydF4y2Ba

    软件将根据模型的重要性顺序向模型中添加交互术语GydF4y2BaP.GydF4y2Ba-值。使用此属性检查添加到模型中的交互项的顺序。GydF4y2Ba

    数据类型：GydF4y2Ba双倍的GydF4y2Ba

    此属性是只读的。GydF4y2Ba

    截取（常量）术语的模型，这是预测格树和交互树中的拦截术语的总和，指定为数字标量。GydF4y2Ba

    数据类型：GydF4y2Ba单GydF4y2Ba|GydF4y2Ba双倍的GydF4y2Ba

    此属性是只读的。GydF4y2Ba

    用于训练模型的参数，指定为模型参数对象。GydF4y2Ba模型参数GydF4y2Ba包含参数值，例如用于培训模型的名称值参数的参数值。GydF4y2Ba模型参数GydF4y2Ba不包含估计参数。GydF4y2Ba

    访问字段GydF4y2Ba模型参数GydF4y2Ba使用点表示法。例如，使用GydF4y2Bamdl.modelparameters.maxnumsplitsperinteraction.GydF4y2Ba．GydF4y2Ba

    此属性是只读的。GydF4y2Ba

    用于数字预测器的交互术语检测的Bin边缘，指定为单元数组GydF4y2BaP.GydF4y2Ba数值向量,GydF4y2BaP.GydF4y2Ba是预测器的数量。每个矢量包括用于数字预测器的箱边缘。用于分类预测器的单元阵列中的元素是空的，因为软件没有箱分类预测器。GydF4y2Ba

    为了加快互动术语检测过程，软件将数字预测器箱为最多8个Quiprobable箱。如果预测器具有少于8个唯一值，则箱数可以小于8。GydF4y2Ba

    数据类型：GydF4y2Ba细胞GydF4y2Ba

    此属性是只读的。GydF4y2Ba

    原因培训模型停止，指定为具有两个字段的结构，GydF4y2BaPredictorTreesGydF4y2Ba和GydF4y2BaInteractionTreesGydF4y2Ba．GydF4y2Ba

    使用此属性检查模型是否包含每个线性术语的指定数量的树（GydF4y2Ba“NumTreesPerPredictor”GydF4y2Ba)对于每个相互作用项(GydF4y2Ba“核相互作用”GydF4y2Ba）.如果GydF4y2BafitcgamGydF4y2Ba函数在添加指定数量的树之前终止培训，此属性包含终止的原因。GydF4y2Ba

    数据类型：GydF4y2Ba结构GydF4y2Ba

    其他分类属性GydF4y2Ba

    此属性是只读的。GydF4y2Ba

    分类预测指标，指定为一个正整数向量。GydF4y2Ba分类预测器GydF4y2Ba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(GydF4y2Ba[]GydF4y2Ba）.GydF4y2Ba

    数据类型：GydF4y2Ba双倍的GydF4y2Ba

    此属性是只读的。GydF4y2Ba

    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。GydF4y2BaClassnames.GydF4y2Ba具有与类标签相同的数据类型GydF4y2BayGydF4y2Ba．GydF4y2Ba（该软件将字符串数组视为字符向量的单元格阵列。）GydF4y2BaClassnames.GydF4y2Ba还确定了类顺序。GydF4y2Ba

    数据类型：GydF4y2Ba单GydF4y2Ba|GydF4y2Ba双倍的GydF4y2Ba|GydF4y2Ba逻辑GydF4y2Ba|GydF4y2BacharGydF4y2Ba|GydF4y2Ba细胞GydF4y2Ba|GydF4y2Ba分类GydF4y2Ba

    错误分类成本，指定为2×2数字矩阵。GydF4y2Ba

    成本(GydF4y2Ba一世GydF4y2Ba那GydF4y2BajGydF4y2Ba）GydF4y2Ba是将一个点分类为课程的成本GydF4y2BajGydF4y2Ba如果它的真实课程是GydF4y2Ba一世GydF4y2Ba．行和列的顺序GydF4y2Ba成本GydF4y2Ba对应于中类的顺序GydF4y2BaClassnames.GydF4y2Ba．GydF4y2Ba

    该软件使用GydF4y2Ba成本GydF4y2Ba预测价值，但没有培训。您可以使用点表示法更改值。GydF4y2Ba

    例子：GydF4y2BaMdl。成本=C;

    数据类型：GydF4y2Ba双倍的GydF4y2Ba

    此属性是只读的。GydF4y2Ba

    扩展的预测器名称，指定为字符向量的单元格数组。GydF4y2Ba

    ExpandedPredictorNames.GydF4y2Ba与GydF4y2Ba预测GydF4y2Ba对于广义添加剂模型。GydF4y2Ba

    数据类型：GydF4y2Ba细胞GydF4y2Ba

    此属性是只读的。GydF4y2Ba

    存储在训练数据中的观察次数GydF4y2BaXGydF4y2Ba和GydF4y2BayGydF4y2Ba，指定为数字标量。GydF4y2Ba

    数据类型：GydF4y2Ba双倍的GydF4y2Ba

    此属性是只读的。GydF4y2Ba

    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GydF4y2Ba预测GydF4y2Ba对应于预测值名称在训练数据中出现的顺序。GydF4y2Ba

    数据类型：GydF4y2Ba细胞GydF4y2Ba

    此属性是只读的。GydF4y2Ba

    先验类概率，指定为包含两个元素的数字向量。元素的顺序与元素的顺序相对应GydF4y2BaClassnames.GydF4y2Ba．GydF4y2Ba

    数据类型：GydF4y2Ba双倍的GydF4y2Ba

    此属性是只读的。GydF4y2Ba

    响应变量名，指定为字符向量。GydF4y2Ba

    数据类型：GydF4y2BacharGydF4y2Ba

    此属性是只读的。GydF4y2Ba

    用于适合的原始培训数据的行GydF4y2BaClassificationgam.GydF4y2Ba模型，指定为逻辑向量。如果使用所有行，则此属性为空。GydF4y2Ba

    数据类型：GydF4y2Ba逻辑GydF4y2Ba

    分数转换，指定为字符向量或功能句柄。GydF4y2Bascoretransform.GydF4y2Ba表示用于转换预测分类分数的内置变换函数或功能手柄。GydF4y2Ba

    将分数转换函数更改为GydF4y2Ba功能GydF4y2Ba，例如，使用点符号。GydF4y2Ba

    • 对于内置函数，输入字符向量。GydF4y2Ba

      Mdl。ScoreTransform = 'GydF4y2Ba功能GydF4y2Ba';GydF4y2Ba

      此表介绍了可用的内置功能。GydF4y2Ba

      价值GydF4y2Ba 描述GydF4y2Ba
      “doublelogit”GydF4y2Ba 1 /（1 +GydF4y2BaE.GydF4y2Ba2GydF4y2BaXGydF4y2Ba）GydF4y2Ba
      'invlogit'GydF4y2Ba 日志(GydF4y2BaXGydF4y2Ba/ (1 -GydF4y2BaXGydF4y2Ba))GydF4y2Ba
      “ismax”GydF4y2Ba 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0GydF4y2Ba
      “罗吉特”GydF4y2Ba 1 /（1 +GydF4y2BaE.GydF4y2Ba-GydF4y2BaXGydF4y2Ba）GydF4y2Ba
      “没有”GydF4y2Ba或GydF4y2Ba'身份'GydF4y2Ba XGydF4y2Ba（无转换）GydF4y2Ba
      '标志'GydF4y2Ba 1GydF4y2BaXGydF4y2Ba< 0GydF4y2Ba
      为0GydF4y2BaXGydF4y2Ba= 0GydF4y2Ba
      1GydF4y2BaXGydF4y2Ba> 0GydF4y2Ba
      '对称'GydF4y2Ba 2GydF4y2BaXGydF4y2Ba- 1GydF4y2Ba
      'ymmetricismax'GydF4y2Ba 将具有最大分数为1的类设置分数，并将所有其他类的分数设置为-1GydF4y2Ba
      'symmetriclogit'GydF4y2Ba 2/(1 +GydF4y2BaE.GydF4y2Ba-GydF4y2BaXGydF4y2Ba） - 1GydF4y2Ba

    • 对于MATLABGydF4y2Ba®GydF4y2Ba函数或定义的函数输入其功能句柄。GydF4y2Ba

      Mdl.ScoreTransform=@GydF4y2Ba功能GydF4y2Ba;GydF4y2Ba

      功能GydF4y2Ba必须接受矩阵（原始分数）并返回相同大小的矩阵（转换的分数）。GydF4y2Ba

    此属性确定对象功能的输出分数计算，例如GydF4y2Ba预测GydF4y2Ba那GydF4y2Ba保证金GydF4y2Ba，及GydF4y2Ba边缘GydF4y2Ba.使用GydF4y2Ba“罗吉特”GydF4y2Ba计算后验概率，并使用GydF4y2Ba“没有”GydF4y2Ba计算后验概率的对数。GydF4y2Ba

    数据类型：GydF4y2BacharGydF4y2Ba|GydF4y2Bafunction_handle.GydF4y2Ba

    此属性是只读的。GydF4y2Ba

    用于训练模型的观测权值，指定为GydF4y2BaNGydF4y2Ba- 1号数字矢量。GydF4y2BaNGydF4y2Ba是观察的数量(GydF4y2Banumobservations.GydF4y2Ba）.GydF4y2Ba

    该软件将观测权归一化GydF4y2Ba'重量'GydF4y2Ba参数的名称-值，以便GydF4y2BaW.GydF4y2Ba在特定类中，总结该类的先前概率。GydF4y2Ba

    数据类型：GydF4y2Ba双倍的GydF4y2Ba

    此属性是只读的。GydF4y2Ba

    用于训练模型的预测器，指定为数字矩阵或表。GydF4y2Ba

    每一行的GydF4y2BaXGydF4y2Ba对应于一个观察，并且每列对应于一个变量。GydF4y2Ba

    数据类型：GydF4y2Ba单GydF4y2Ba|GydF4y2Ba双倍的GydF4y2Ba|GydF4y2Ba桌子GydF4y2Ba

    此属性是只读的。GydF4y2Ba

    用于培训模型的类标签，指定为分类或字符阵列，逻辑或数字矢量或字符向量的单元格数组。GydF4y2BayGydF4y2Ba具有与用于训练模型的响应变量相同的数据类型。GydF4y2Ba（该软件将字符串数组视为字符向量的单元格阵列。）GydF4y2Ba

    每一行的GydF4y2BayGydF4y2Ba表示观察到的相应行分类GydF4y2BaXGydF4y2Ba．GydF4y2Ba

    数据类型：GydF4y2Ba单GydF4y2Ba|GydF4y2Ba双倍的GydF4y2Ba|GydF4y2Ba逻辑GydF4y2Ba|GydF4y2BacharGydF4y2Ba|GydF4y2Ba细胞GydF4y2Ba|GydF4y2Ba分类GydF4y2Ba

    目标函数GydF4y2Ba

    展开全部GydF4y2Ba

    袖珍的GydF4y2Ba 缩小机器学习模型的规模GydF4y2Ba
    横梁GydF4y2Ba 交叉验证机器学习模型GydF4y2Ba
    额外的相互作用GydF4y2Ba 为单变量的广义添加剂模型（GAM）添加交互术语GydF4y2Ba
    恢复GydF4y2Ba 广义加性模型（GAM）的恢复训练GydF4y2Ba
    酸橙GydF4y2Ba 局部可解释模型不可知解释（LIME）GydF4y2Ba
    部分依赖GydF4y2Ba 计算部分依赖GydF4y2Ba
    plotlocaleffects.GydF4y2Ba 绘制广义可加模型(GAM)中项的局部效应GydF4y2Ba
    绘图竞争依赖性GydF4y2Ba 创建部分依赖图（PDP）和单个条件期望图（ICE）GydF4y2Ba
    福芙GydF4y2Ba 沙普利值GydF4y2Ba
    预测GydF4y2Ba 使用广义可加模型(GAM)对观测结果进行分类GydF4y2Ba
    损失GydF4y2Ba 广义添加剂模型的分类损失（GAM）GydF4y2Ba
    保证金GydF4y2Ba 广义添加剂模型的分类边缘（GAM）GydF4y2Ba
    边缘GydF4y2Ba 广义添加剂模型的分类边缘（GAM）GydF4y2Ba
    再预测GydF4y2Ba 使用经过训练的分类器对训练数据进行分类GydF4y2Ba
    恢复GydF4y2Ba 再替代分类损失GydF4y2Ba
    重新提交GydF4y2Ba 重新取款分类保证金GydF4y2Ba
    重新提交GydF4y2Ba 重新提交分类边缘GydF4y2Ba
    比较控股GydF4y2Ba 使用新数据比较两个分类模型的精度GydF4y2Ba
    testckfold.GydF4y2Ba 通过重复的交叉验证比较两个分类模型的精度GydF4y2Ba

    例子GydF4y2Ba

    全部崩溃GydF4y2Ba

    打开生活的脚本GydF4y2Ba

    培训一个单变量的广义添加剂模型，其中包含预测器的线性术语。然后，通过使用使用该预测指定数据实例的预测GydF4y2Baplotlocaleffects.GydF4y2Ba功能。GydF4y2Ba

    加载GydF4y2Ba电离层GydF4y2Ba数据集。该数据集有34个预测器和351个雷达返回的二进制响应，或坏(GydF4y2Ba“b”GydF4y2Ba）或好（GydF4y2Ba'G'GydF4y2Ba）.GydF4y2Ba

    负载GydF4y2Ba电离层GydF4y2Ba

    培训一个单变的游戏，标识雷达返回是否坏（GydF4y2Ba“b”GydF4y2Ba）或好（GydF4y2Ba'G'GydF4y2Ba）.GydF4y2Ba

    Mdl=fitcgam（X，Y）GydF4y2Ba
    mdl = classificationgam racitalebame：'y'pationoricalpricictors：[] classnames：{'b'g'} scoreTransform：'logit'拦截：2.2715 numobservations：351属性，方法GydF4y2Ba

    MdlGydF4y2Ba是A.GydF4y2BaClassificationgam.GydF4y2Ba模型对象。模型显示显示了模型属性的部分列表。要查看属性的完整列表，请双击变量名GydF4y2BaMdlGydF4y2Ba在工作区。将打开变量编辑器GydF4y2BaMdlGydF4y2Ba。或者，您可以使用点表示法在命令窗口中显示属性。例如，显示GydF4y2BaMdlGydF4y2Ba．GydF4y2Ba

    classorder = mdl.classnames.GydF4y2Ba
    类顺序=GydF4y2Ba2 x1细胞GydF4y2Ba{'b'} {'g'}GydF4y2Ba

    分类培训数据的第一次观察，并绘制术语的局部效果GydF4y2BaMdlGydF4y2Ba关于预测。GydF4y2Ba

    标签=预测(Mdl X (1,:))GydF4y2Ba
    标签=GydF4y2Ba1x1细胞阵列GydF4y2Ba{'G'}GydF4y2Ba
    : plotLocalEffects (Mdl X (1))GydF4y2Ba

    图包含轴。具有标题本地效果图的轴包含类型栏的对象。GydF4y2Ba

    这GydF4y2Ba预测GydF4y2Ba函数对第一个观察分类GydF4y2BaX（1，：）GydF4y2Ba作为GydF4y2Ba'G'GydF4y2Ba．这GydF4y2Baplotlocaleffects.GydF4y2Ba函数创建一个水平条形图，显示了10个最重要的预测术语的局部效果。每个本地效果值都显示了每个术语对分类分数的贡献GydF4y2Ba'G'GydF4y2Ba，这是分类所在的后验概率的记录GydF4y2Ba'G'GydF4y2Ba为了观察。GydF4y2Ba

    打开生活的脚本GydF4y2Ba

    用三种不同的方法训练一个广义可加性模型，其中包含预测器的线性和交互项:GydF4y2Ba

    • 使用使用的指定交互术语GydF4y2Ba公式GydF4y2Ba输入参数。GydF4y2Ba

    • 指定GydF4y2Ba'互动'GydF4y2Ba名称值参数。GydF4y2Ba

    • 使用线性术语构建模型，并通过使用“使用”GydF4y2Ba额外的相互作用GydF4y2Ba功能。GydF4y2Ba

    加载Fisher的虹膜数据集。创建一个表，其中包含对versicolor和virginica的观察结果。GydF4y2Ba

    负载GydF4y2Ba鱼腥草GydF4y2Bainds = strcmp（物种，GydF4y2Ba“多色的”GydF4y2Ba）|Strcmp（物种，GydF4y2Ba'virginica'GydF4y2Ba）;TBL = Array2table（Meas（Inds，:)，GydF4y2Ba“VariableNames”GydF4y2Ba,[GydF4y2Ba“x1”GydF4y2Ba那GydF4y2Ba“x2”GydF4y2Ba那GydF4y2Ba“x3”GydF4y2Ba那GydF4y2Ba“x4”GydF4y2Ba])tbl.Y=物种（IND，：）；GydF4y2Ba

    指定GydF4y2Ba公式GydF4y2Ba

    培训包含四个线性术语的游戏（GydF4y2BaX1GydF4y2Ba那GydF4y2BaX2GydF4y2Ba那GydF4y2BaX3GydF4y2Ba，及GydF4y2BaX4GydF4y2Ba)及两个互动术语(GydF4y2Bax1 * x2GydF4y2Ba和GydF4y2Bax2 * x3GydF4y2Ba）.使用表单中的公式指定术语GydF4y2Ba“Y ~条款”GydF4y2Ba．GydF4y2Ba

    Mdl1=fitcgam（待定，GydF4y2Ba'y〜x1 + x2 + x3 + x4 + x1：x2 + x2：x3'GydF4y2Ba）;GydF4y2Ba

    该函数按重要性顺序为模型添加交互术语。你可以使用GydF4y2Ba的相互作用GydF4y2Ba属性要检查模型中的交互术语和订单GydF4y2BafitcgamGydF4y2Ba将它们添加到模型中。显示GydF4y2Ba的相互作用GydF4y2Ba财产。GydF4y2Ba

    Mdl1.相互作用GydF4y2Ba
    ans=GydF4y2Ba2×2GydF4y2Ba2 3 1 2GydF4y2Ba

    每一行的GydF4y2Ba的相互作用GydF4y2Ba表示一个交互项，并包含交互项的预测变量的列索引。GydF4y2Ba

    指定GydF4y2Ba'互动'GydF4y2Ba

    通过培训数据（GydF4y2BaTBL.GydF4y2Ba）和响应变量的名称GydF4y2BaTBL.GydF4y2Ba来GydF4y2BafitcgamGydF4y2Ba，以便函数包含所有其他变量的线性项作为预测变量。指定GydF4y2Ba'互动'GydF4y2Ba使用包含两个交互项的逻辑矩阵命名值参数，GydF4y2Bax1 * x2GydF4y2Ba和GydF4y2Bax2 * x3GydF4y2Ba．GydF4y2Ba

    mdl2 = fitcgam（tbl，GydF4y2Ba“是的”GydF4y2Ba那GydF4y2Ba'互动'GydF4y2Ba，逻辑的（[1110；0110]）；Mdl2.相互作用GydF4y2Ba
    ans=GydF4y2Ba2×2GydF4y2Ba2 3 1 2GydF4y2Ba

    您还可以指定GydF4y2Ba'互动'GydF4y2Ba作为互动项的数量或作为GydF4y2Ba“全部”GydF4y2Ba包括所有可用的交互条款。在指定的互动条款中，GydF4y2BafitcgamGydF4y2Ba识别那些GydF4y2BaP.GydF4y2Ba-值不大于GydF4y2Ba“MaxPValue”GydF4y2Ba值并将它们添加到模型中。默认的GydF4y2Ba“MaxPValue”GydF4y2Ba为1，以便该函数将所有指定的交互项添加到模型中。GydF4y2Ba

    指定GydF4y2Ba'互动'，'全部'GydF4y2Ba设定GydF4y2Ba“MaxPValue”GydF4y2Ba名称 - 值参数到0.01。GydF4y2Ba

    mdl3 = fitcgam（tbl，GydF4y2Ba“是的”GydF4y2Ba那GydF4y2Ba'互动'GydF4y2Ba那GydF4y2Ba“全部”GydF4y2Ba那GydF4y2Ba“MaxPValue”GydF4y2Ba，0.01）;mdl3.interaction.GydF4y2Ba
    ans=GydF4y2Ba5×2GydF4y2Ba3 4 2 4 1 4 2 3 1 3GydF4y2Ba

    Mdl3GydF4y2Ba包括六对可用的互动条款中的五个。GydF4y2Ba

    使用GydF4y2Ba额外的相互作用GydF4y2Ba函数GydF4y2Ba

    训练一个包含预测因子线性项的单变量GAM，然后使用GydF4y2Ba额外的相互作用GydF4y2Ba函数的第二个输入参数GydF4y2Ba额外的相互作用GydF4y2Ba以同样的方式指定GydF4y2Ba'互动'GydF4y2Ba名称 - 价值论证GydF4y2BafitcgamGydF4y2Ba．您可以使用逻辑矩阵、交互项的数量或GydF4y2Ba“全部”GydF4y2Ba．GydF4y2Ba

    将交互术语数指定为5，以将五个最重要的交互条款添加到培训的模型。GydF4y2Ba

    mdl4 = fitcgam（tbl，GydF4y2Ba“是的”GydF4y2Ba）;UpdatedMdl4 = addInteractions (Mdl4 5);UpdatedMdl4。的相互作用GydF4y2Ba
    ans=GydF4y2Ba5×2GydF4y2Ba3 4 2 4 1 4 2 3 1 3GydF4y2Ba

    Mdl4GydF4y2Ba是单变量GAM，并且GydF4y2Ba更新的DL4GydF4y2Ba是包含所有条款的更新游戏GydF4y2BaMdl4GydF4y2Ba和五个额外的交互项。GydF4y2Ba

    打开生活的脚本GydF4y2Ba

    为少量迭代培训一个单变性分类Gam（仅包含线性术语）。在培训模型以获得更多迭代后，比较副职位损失。GydF4y2Ba

    加载GydF4y2Ba电离层GydF4y2Ba数据集。该数据集有34个预测器和351个雷达返回的二进制响应，或坏(GydF4y2Ba“b”GydF4y2Ba）或好（GydF4y2Ba'G'GydF4y2Ba）.GydF4y2Ba

    负载GydF4y2Ba电离层GydF4y2Ba

    培训一个单变的游戏，标识雷达返回是否坏（GydF4y2Ba“b”GydF4y2Ba）或好（GydF4y2Ba'G'GydF4y2Ba)。将每个线性项的树数指定为2。GydF4y2BafitcgamGydF4y2Ba迭代指定数量的迭代次数的升压算法。对于每个升压迭代，该函数每线性术语添加一个树。指定GydF4y2Ba'verbose'GydF4y2Ba作为2在每次迭代时显示诊断消息。GydF4y2Ba

    Mdl=fitcgam（X，Y，GydF4y2Ba“NumTreesPerPredictor”GydF4y2Ba2，GydF4y2Ba'verbose'GydF4y2Ba,2);GydF4y2Ba
    | ======================================================== ||型号numtrees |偏见|Reltol |学习|| ======================================================== ||1D | 0| 486.59| - | - | | 1D| 1| 166.71| Inf| 1| | 1D| 2| 78.336| 0.58205| 1|

    检查是否GydF4y2BafitcgamGydF4y2Ba训练指定的树木数量，显示GydF4y2BaReasonForTerminationGydF4y2Ba属性，并查看显示的消息。GydF4y2Ba

    mdl.ReasonfortMination.GydF4y2Ba
    ans=GydF4y2Ba带字段的结构：GydF4y2Ba预测：'在培训所要求的树木后终止。InteractionTree：''GydF4y2Ba

    计算训练数据的分类损失。GydF4y2Ba

    Resubloss（MDL）GydF4y2Ba
    ans=0.0142GydF4y2Ba

    恢复其他100个迭代的培训模型。因为GydF4y2BaMdlGydF4y2Ba只包含线性项GydF4y2Ba恢复GydF4y2Ba功能恢复线性术语的培训，并为它们添加更多树（预测格树）。指定GydF4y2Ba'verbose'GydF4y2Ba和GydF4y2Ba'numprint'GydF4y2Ba每10次迭代显示一次诊断消息。GydF4y2Ba

    UpdatedMdl=恢复（Mdl，100，GydF4y2Ba'verbose'GydF4y2Ba，1，GydF4y2Ba'numprint'GydF4y2Ba，10）;GydF4y2Ba
    |========================================================| | 类型| 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 40 | | 1.7978 e-09 |0.00074607| 1| | 1D| 50| 3.6113e-12| 0.00034404| 1| | 1D| 60| 1.7497e-13|GydF4y2Ba
    updatemdl.ReasonForTerminationGydF4y2Ba
    ans=GydF4y2Ba带字段的结构：GydF4y2BaPredictorTrees:'无法改进模型拟合。'InteractionTrees:'GydF4y2Ba

    恢复GydF4y2Ba在添加更多树时终止训练不会改善模型拟合的偏差。GydF4y2Ba

    使用更新的模型计算分类损失。GydF4y2Ba

    RERUBLOS（UPDATEDMDL）GydF4y2Ba
    ans = 0GydF4y2Ba

    分类损失减少后GydF4y2Ba恢复GydF4y2Ba使用更多的迭代更新模型。GydF4y2Ba

    更多关于GydF4y2Ba

    展开全部GydF4y2Ba

    参考GydF4y2Ba

    [1]娄，尹，富含Caruana和Johannes Gehrke。“分类和回归的可理解模型。”GydF4y2Ba第18届ACM SIGKDD关于知识发现和数据挖掘国际会议（KDD'12）的诉讼程序。GydF4y2Ba北京:ACM出版社，2012,pp. 150-158。GydF4y2Ba

    [2]娄，尹，富含Caruana，Johannes Gehrke和Giles Hooker。“准确可理解的型号，配对交互。”GydF4y2Ba第19届ACM SIGKDD知识发现国际会议和数据挖掘的载体（KDD'13）GydF4y2Ba芝加哥，伊利诺伊州，美国：ACM Press，2013，PP。623-631。GydF4y2Ba

    也可以看看GydF4y2Ba

    |GydF4y2Ba|GydF4y2Ba|GydF4y2Ba|GydF4y2Ba

    话题GydF4y2Ba

    在R2021a中引入GydF4y2Ba

    统计和机器学习工具箱文档GydF4y2Ba

    万博1manbetx

    掌握机器学习：使用MATLAB逐步指南GydF4y2Ba

    掌握机器学习：使用MATLAB逐步指南GydF4y2Ba

    下载电子书GydF4y2Ba