主要内容

CompactClassificationGAM

二元分类的紧凑广义可加性模型(GAM)

展开全部页面

    描述

    CompactClassificationGAM是精简版的ClassificationGAM模型对象(用于二元分类的GAM)。紧凑模型不包括用于训练分类器的数据。因此，您不能使用紧凑模型执行某些任务，例如交叉验证。使用紧凑模型完成诸如预测新数据标签之类的任务。

    创建

    创建一个CompactClassificationGAM对象从完整的ClassificationGAM通过使用紧凑的．

    属性

    全部展开

    访问属性

    此属性是只读的。

    交互项索引，指定为t-by-2矩阵的正整数，其中t是模型中交互项的数量。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X对于相互作用项。如果模型不包括交互项，则此属性为空(［］）.

    软件将交互术语按重要性的顺序添加到模型中p值。使用此属性检查添加到模型中的交互项的顺序。

    数据类型:双

    此属性是只读的。

    模型的截距(常数)项，它是预测树和交互树中截距项的和，指定为数值标量。

    数据类型:单|双

    其他分类属性

    此属性是只读的。

    分类预测指标，指定为正整数向量。CategoricalPredictors包含指示相应预测符是分类的索引值。索引值在1和之间p,在那里p用于训练模型的预测器的数量。如果没有一个预测符是分类的，则此属性为空(［］）.

    数据类型:双

    此属性是只读的。

    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格数组。一会与类标签具有相同的数据类型Y．(该软件将字符串数组视为字符向量的单元格数组。)一会也决定了类的顺序。

    数据类型:单|双|逻辑|字符|细胞|分类

    错误分类的代价，指定为2乘2的数字矩阵。

    成本(我，j）将一个点分类的成本是多少j如果它真正的阶级是我．的行和列的顺序成本中类的顺序对应一会．

    该软件使用成本有预测价值，但没有训练价值。您可以使用点表示法来更改该值。

    例子:Mdl。成本= C;

    数据类型:双

    此属性是只读的。

    扩展的预测器名称，指定为字符向量的单元格数组。

    ExpandedPredictorNames和PredictorNames对于广义加性模型。

    数据类型:细胞

    此属性是只读的。

    预测器变量名，指定为字符向量的单元格数组。元素的顺序PredictorNames对应于预测器名称在训练数据中出现的顺序。

    数据类型:细胞

    此属性是只读的。

    先验类概率，指定为具有两个元素的数字向量。元素的顺序对应于中元素的顺序一会．

    数据类型:双

    此属性是只读的。

    响应变量名，指定为字符向量。

    数据类型:字符

    分数转换，指定为字符向量或函数句柄。ScoreTransform表示用于转换预测分类分数的内置转换函数或函数句柄。

    将分数转换函数更改为函数例如，使用点表示法。

    • 对于内置函数，请输入字符向量。

      Mdl。ScoreTransform = '函数”;

      该表描述了可使用的内置函数。

      价值 描述
      “doublelogit” 1 / (1 +e2x）
      “invlogit” 日志(x/ (1 -x）)
      “ismax” 将得分最大的类的得分设置为1，并将所有其他类的得分设置为0
      分对数的 1 / (1 +e–x）
      “没有”或“身份” x(转换)
      “标志” 1x< 0
      为0x= 0
      1x> 0
      “对称” 2x- 1
      “symmetricismax” 将得分最大的类的得分设置为1，并将所有其他类的得分设置为-1
      “symmetriclogit” 2 / (1 +e–x) - 1

    • 对于MATLAB®函数或您定义的函数，输入其函数句柄。

      Mdl。ScoreTransform = @函数；

      函数必须接受一个矩阵(原始分数)并返回一个相同大小的矩阵(转换后的分数)。

    此属性确定对象函数的输出分数计算，例如预测，保证金,边缘．使用分对数的计算后验概率，并使用“没有”计算后验概率的对数。

    数据类型:字符|function_handle

    对象的功能

    全部展开

    石灰 局部可解释模型不可知解释(LIME)
    partialDependence 计算部分依赖关系
    plotLocalEffects 广义可加性模型(GAM)中项的局部效应图
    plotPartialDependence 创建部分依赖图(PDP)和个别条件期望图(ICE)
    沙普利 沙普利值
    预测 利用广义加性模型(GAM)对观测数据进行分类
    损失 广义可加性模型的分类损失
    保证金 广义可加性模型(GAM)的分类边界
    边缘 广义可加性模型的分类边
    compareHoldout 比较使用新数据的两种分类模型的准确性

    例子

    全部折叠

    打开实时脚本

    通过移除训练数据来减小完整广义加法模型(GAM)的大小。完整的模型保存训练数据。您可以使用紧凑的模型来提高内存效率。

    加载电离层数据集。该数据集有34个预测器和351个雷达返回的二进制响应，要么是坏的(“b”)或好(‘g’）.

    负载电离层

    使用预测器训练一个GAMX和类别标签Y．推荐的做法是指定类名。

    Mdl = fitccam (X,Y，“类名”, {“b”，‘g’})
    Mdl = ClassificationGAM ResponseName: 'Y' CategoricalPredictors: [] ClassNames: {'b' 'g'} ScoreTransform: 'logit'拦截:2.2715 NumObservations: 351属性，方法

    Mdl是一个ClassificationGAM模型对象。

    减少分类器的大小。

    CMdl =紧凑(Mdl)
    CMdl = CompactClassificationGAM ResponseName: 'Y' CategoricalPredictors: [] ClassNames: {'b' 'g'} ScoreTransform: 'logit'拦截:2.2715属性，方法

    CMdl是一个CompactClassificationGAM模型对象。

    显示每个分类器使用的内存量。

    谁(“Mdl”，“CMdl”）
    名称大小字节类属性CMdl 1x1 1030019 classreg.learning.classif.CompactClassificationGAM Mdl 1x1 1230996 ClassificationGAM

    完整分类器(Mdl)比紧凑分类器(CMdl）.

    为了有效地标记新的观察结果，您可以删除Mdl从MATLAB®工作区，然后传递CMdl和新的预测值预测．

    版本历史

    R2021a中引入

    另请参阅

    |

    主题