主要内容gydF4y2Ba

ClassificationGAMgydF4y2Ba

广义相加模型(GAM)二进制分类gydF4y2Ba

扩展所有的页面gydF4y2Ba

    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gydF4y2BaaddInteractionsgydF4y2Ba函数添加交互项的模型只包含线性项。gydF4y2Ba

    属性gydF4y2Ba

    全部展开gydF4y2Ba

    访问属性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

    这个属性是只读的。gydF4y2Ba

    交互项指标,作为指定gydF4y2BatgydF4y2Ba2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

    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

    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

    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

    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

    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

    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

    误分类代价,指定为一个2×2的数字矩阵。gydF4y2Ba

    成本(gydF4y2Ba我gydF4y2Ba,gydF4y2BajgydF4y2Ba)gydF4y2Ba是一个指向类分类的成本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

    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

    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

    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

    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

    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

    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

    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

    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

    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

    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

    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

    全部展开gydF4y2Ba

    紧凑的gydF4y2Ba 减少机器学习模型的大小gydF4y2Ba
    crossvalgydF4y2Ba 旨在机器学习模型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
    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
    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
    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
    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

    全部折叠gydF4y2Ba

    打开生活的脚本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

    图包含一个坐标轴对象。坐标轴对象与当地标题影响情节包含一个对象类型的酒吧。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

    打开生活的脚本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gydF4y2BaaddInteractionsgydF4y2Ba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”gydF4y2Ba0.01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

    打开生活的脚本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

    全部展开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

    |gydF4y2Ba|gydF4y2Ba|gydF4y2Ba|gydF4y2Ba

    主题gydF4y2Ba