用于二值分类的广义可加模型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
毕业生GydF4y2Ba
-GydF4y2BaBIN边缘用于数字预测器GydF4y2Ba[]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GydF4y2Ba
s,然后相应的GydF4y2BaXbinnedGydF4y2Ba
价值观是GydF4y2Ba楠GydF4y2Ba
年代。GydF4y2Ba
数据类型:GydF4y2Ba细胞GydF4y2Ba
的相互作用GydF4y2Ba
-GydF4y2Ba互动项指数GydF4y2Ba[]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
拦截GydF4y2Ba
-GydF4y2Ba模型截距项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
模型参数GydF4y2Ba
-GydF4y2Ba用于训练模型的参数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
BiredetectionBineDes.GydF4y2Ba
-GydF4y2Ba用于交互术语检测的箱边缘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
ReasonForTerminationGydF4y2Ba
-GydF4y2Ba停止训练的原因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
分类预测器GydF4y2Ba
-GydF4y2Ba分类预测指标GydF4y2Ba[]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
Classnames.GydF4y2Ba
-GydF4y2Ba唯一类标签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
成本GydF4y2Ba
-GydF4y2Ba误分类费用GydF4y2Ba错误分类成本,指定为2×2数字矩阵。GydF4y2Ba
成本(GydF4y2Ba
是将一个点分类为课程的成本GydF4y2Ba一世GydF4y2Ba
那GydF4y2BajGydF4y2Ba
)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
ExpandedPredictorNames.GydF4y2Ba
-GydF4y2Ba扩大了预测的名字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
numobservations.GydF4y2Ba
-GydF4y2Ba数量的观察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
预测GydF4y2Ba
-GydF4y2Ba预测器变量名称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
之前GydF4y2Ba
-GydF4y2Ba先前的概率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
反应胺GydF4y2Ba
-GydF4y2Ba响应变量名称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
流浪GydF4y2Ba
-GydF4y2Ba适合的行GydF4y2Ba[]GydF4y2Ba
|GydF4y2Ba逻辑矢量GydF4y2Ba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
scoretransform.GydF4y2Ba
-GydF4y2Ba分数转换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
W.GydF4y2Ba
-GydF4y2Ba观察权重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
XGydF4y2Ba
-GydF4y2Ba预测因子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
yGydF4y2Ba
-GydF4y2Ba类标签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
CompactClassificationgam.GydF4y2Ba
袖珍的GydF4y2Ba |
缩小机器学习模型的规模GydF4y2Ba |
分类分区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 |
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
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
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
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
广义加性模型(GAM)是一种可解释的模型,它使用预测因子的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
fitcgamGydF4y2Ba
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。GydF4y2Ba
标准GAM对每个预测器使用单变量形状函数。GydF4y2Ba
在哪里GydF4y2BayGydF4y2Ba是一个响应变量,遵循二项分布,具有成功概率(正类概率)GydF4y2Baμ.GydF4y2Ba在里面GydF4y2BaNGydF4y2Ba观察。GydF4y2BaGGydF4y2Ba(GydF4y2Baμ.GydF4y2Ba)GydF4y2Ba是Logit链接功能,以及GydF4y2BaCGydF4y2Ba是一个截距(常数)项。GydF4y2BaFGydF4y2Ba一世GydF4y2Ba(GydF4y2BaXGydF4y2Ba一世GydF4y2Ba)是一个单变量形状函数GydF4y2Ba一世GydF4y2BaTh预测器,这是一种用于预测器(预测树)的线性术语的升压树。GydF4y2Ba
通过向模型中添加重要交互项的二元形状函数,您可以在模型中包含预测器之间的交互。GydF4y2Ba
在哪里GydF4y2BaFGydF4y2BaijGydF4y2Ba(GydF4y2BaXGydF4y2Ba一世GydF4y2BaXGydF4y2BajGydF4y2Ba)是一种双相形的功能GydF4y2Ba一世GydF4y2Bath和GydF4y2BajGydF4y2BaTH预测器,这是一种用于预测器(交互树)的交互术语的升级树。GydF4y2Ba
fitcgamGydF4y2Ba
根据以下内容查找重要的交互术语:GydF4y2BaP.GydF4y2Ba- 值GydF4y2BaFGydF4y2Ba- 最低。有关详细信息,请参阅GydF4y2Ba互动术语检测GydF4y2Ba.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
额外的相互作用GydF4y2Ba
|GydF4y2Ba分类分区GydF4y2Ba
|GydF4y2BaCompactClassificationgam.GydF4y2Ba
|GydF4y2BafitcgamGydF4y2Ba
|GydF4y2Ba恢复GydF4y2Ba
您单击了与此MATLAB命令对应的链接:GydF4y2Ba
在MATLAB命令窗口中输入它来运行命令。Web浏览器不支持MATLAB命令。万博1manbetxGydF4y2Ba
选择一个网站,在那里获得翻译的内容,并看到当地的活动和优惠。根据您的位置,我们建议您选择:GydF4y2Ba.GydF4y2Ba
选择GydF4y2Ba网站GydF4y2Ba您还可以从以下列表中选择网站:GydF4y2Ba
选择中国网站(以中文或英文)以获取最佳网站性能。其他MathWorks国家网站未优化您的位置。GydF4y2Ba