边缘
广义可加模型的分类边
描述
例子
估计测试样本分类边缘和边缘
估计一个广义可加模型的测试样本分类边缘和边缘。测试样本边缘是观察到的真类分数减去假类分数，测试样本边缘是边缘的平均值。
加载fisheriris数据集。创建X作为一个数字矩阵，包含两个萼片和两个花瓣尺寸的花斑和维珍鸢尾。创建Y作为字符向量的细胞阵列，包含相应的虹膜种类。
负载fisheriris第1 = strcmp(物种,“多色的”) | strcmp(物种,“virginica”）;X =量(第1:);: Y =物种(第1);
利用系统中的类信息，将观测数据随机划分为训练集和测试集，并进行分层Y．指定30%的抵抗样品进行测试。
rng (“默认”）%的再现性简历= cvpartition (Y,“坚持”, 0.30);
提取训练和测试指标。
trainInds =培训(简历);testInds =测试(简历);
指定训练和测试数据集。
XTrain = X (trainInds:);YTrain = Y (trainInds);XTest = X (testInds:);欧美= Y (testInds);
使用预测器训练GAMXTrain和类标签YTrain．推荐的做法是指定类名。
Mdl = fitcgam (XTrain YTrain,“类名”，{“多色的”，“virginica”})；
Mdl是一个ClassificationGAM模型对象。
估计测试样本的分类边缘和边缘。
m =利润率(Mdl XTest、欧美);e =边缘(Mdl XTest、欧美)
e = 0.8000
显示测试样本分类边缘的直方图。
直方图(m,长度(独特(m)),“归一化”，“概率”)包含(测试样本的利润的) ylabel (“概率”)标题(“测试样本边际的概率分布”）
估计测试样本加权边缘
估计一个广义可加模型的测试样本加权边缘(边际的加权平均值)。
加载fisheriris数据集。创建X作为一个数字矩阵，包含两个萼片和两个花瓣尺寸的花斑和维珍鸢尾。创建Y作为字符向量的细胞阵列，包含相应的虹膜种类。
负载fisheririsidx1 = strcmp(物种,“多色的”) | strcmp(物种,“virginica”）;X =量(idx1,:);Y =物种(idx1,:);
假设一些测量的质量较低，因为它们是用较旧的技术测量的。为了模拟这种效果，在20个测量值的随机子集中添加噪声。
rng (“默认”）%的再现性idx2 = randperm(大小(X, 1), 20);X(idx2，:) = X(idx2，:) + 2*randn(20,size(X,2));
利用系统中的类信息，将观测数据随机划分为训练集和测试集，并进行分层Y．指定30%的抵抗样品进行测试。
简历= cvpartition (Y,“坚持”, 0.30);
提取训练和测试指标。
trainInds =培训(简历);testInds =测试(简历);
指定训练和测试数据集。
XTrain = X (trainInds:);YTrain = Y (trainInds);XTest = X (testInds:);欧美= Y (testInds);
使用预测器训练GAMXTrain和类标签YTrain．推荐的做法是指定类名。
Mdl = fitcgam (XTrain YTrain,“类名”，{“多色的”，“virginica”})；
Mdl是一个ClassificationGAM模型对象。
估计测试样本边缘。
e =边缘(Mdl XTest、欧美)
e = 0.8000
平均保证金约为0.80。
降低噪声测量的影响的一种方法是给它们分配比其他观测值更小的权重。定义一个权重向量，使高质量的观测值的权重是其他观测值的两倍。
n =大小(X, 1);重量= 1(大小(X, 1), 1);权重(idx2) = 0.5;weightsTrain =重量(trainInds);weightsTest =重量(testInds);
使用预测器训练GAMXTrain、类标签YTrain,重量weightsTrain．
Mdl_W = fitcgam (XTrain YTrain,“重量”weightsTrain,．..“类名”，{“多色的”，“virginica”})；
利用加权方案估计测试样本的加权边缘。
e_W =边缘(Mdl_W XTest,欧美,“重量”weightsTest)
e_W = 0.8770
加权平均保证金约为0.88。这一结果表明，加权分类器标签的平均置信度更高。
通过检查测试样本边缘和边缘来比较GAMs
通过检查测试样本的边缘和边缘，将具有线性项的GAM与具有线性和相互作用项的GAM进行比较。仅从这一比较来看，具有最高边缘和边缘的分类器是最好的模型。
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，或坏(“b”)或好(‘g’)．
负载电离层
利用系统中的类信息，将观测数据随机划分为训练集和测试集，并进行分层Y．指定30%的抵抗样品进行测试。
rng (“默认”）%的再现性简历= cvpartition (Y,“坚持”, 0.30);
提取训练和测试指标。
trainInds =培训(简历);testInds =测试(简历);
指定训练和测试数据集。
XTrain = X (trainInds:);YTrain = Y (trainInds);XTest = X (testInds:);欧美= Y (testInds);
训练一个包含预测因子线性和交互项的GAM。指定包含所有可用的交互术语p-值不大于0.05。
Mdl = fitcgam (XTrain YTrain,“互动”，“所有”，“MaxPValue”, 0.05)
Mdl = classificationongam ResponseName: 'Y' CategoricalPredictors: [] ClassNames: {'b' ' 'g'} ScoreTransform: 'logit'截获:3.0398交互:[561x2 double] NumObservations: 246属性，方法
Mdl是一个ClassificationGAM模型对象。Mdl包括所有可用的交互术语。
估计的测试样本边缘和边缘Mdl．
M =利润率(Mdl XTest、欧美);E =边缘(Mdl XTest、欧美)
E = 0.7848
估计的测试样本边缘和边缘Mdl不包括交互项。
M_nointeractions =利润率(Mdl XTest,欧美,“IncludeInteractions”、假);E_nointeractions =边缘(Mdl XTest,欧美,“IncludeInteractions”假)
E_nointeractions = 0.7871
使用箱形图显示边缘的分布。
箱线图([M M_nointeractions],“标签”，{“线性和互动术语”，“线性条件仅”})标题(“测试样本边距的箱形图”）
边缘米和M_nointeractions具有相似的分布，但只有线性项的分类器的测试样本边缘较大。利润相对较大的分类器优先。
输入参数
更多关于
你也可以从以下列表中选择一个网站:
