保证金
广义可加模型的分类裕度
语法
描述
米=利润(Mdl，资源描述，ResponseVarName）米)的广义可加模型Mdl使用预测数据资源描述和真正的类标签资源描述。ResponseVarName．
米作为n-乘1数字列向量，其中n为预测器数据中的观测次数。
米=利润(＿＿＿“IncludeInteractions”,includeInteractions）includeInteractions除了前面语法中的任何输入参数组合之外。
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”）
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:
