主要内容

广义添加剂模型

可解释的模型由单变量和双变量形状函数组成

采用Fitrgam符合通用的添加剂模型以进行回归。

广义加性模型（GAM）是一个可解释的模型，它使用预测变量的单变量和双变量形状函数来解释响应变量。Fitrgam使用增压树作为每个预测变量的形状函数，并且可以选择每对预测变量；因此，该函数可以捕获预测变量和响应变量之间的非线性关系。由于单个形状函数对预测（响应值）的贡献很好，因此模型易于解释。

对象

回归剂 回归的广义添加剂模型（GAM）
Compactregressiongam 紧凑的广泛添加剂模型（GAM）用于回归
回归专业 回归的交叉验证广义添加剂模型（GAM）

职能

展开全部

Fitrgam 拟合通用的添加剂模型（GAM）进行回归
袖珍的 减少机器学习模型的尺寸
杂交 跨效率机器学习模型
插科 将交互项添加到单变量广义添加剂模型（GAM）
恢复 恢复广义添加剂模型（GAM）的培训
酸橙 局部可解释的模型不足解释（石灰）
partialdependence 计算部分依赖性
plotlocaleffects 在广义添加剂模型（GAM）中绘制术语的局部效果
情节依赖性 创建部分依赖图（PDP）和个人条件期望（ICE）图
沙普利 沙普利值
预测 使用广义添加剂模型（GAM）预测响应
损失 通用添加剂模型（GAM）的回归损失
重新提高 使用训练的回归模型预测培训数据的响应
重新公开 重新结算回归损失
kfoldpredict 预测交叉验证回归模型中观察结果的响应
kfoldloss 跨验证分区回归模型的损失
kfoldfun 回归的跨效率函数

话题