预测
使用广义可加模型(GAM)对观测结果进行分类
描述
例子
标记GAM的测试样本观察值
利用训练样本训练广义可加性模型，然后对测试样本进行标记。
加载fisheriris数据集。创建X作为一个数字矩阵，包含花斑和维珍鸢尾的萼片和花瓣尺寸。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fisheririsinds=strcmp（种类，“多色的”)| strcmp（种类，“维吉尼亚”）;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”）%为了再现性简历= 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);
使用预测器训练广义加性模型XTrain和类标签YTrain．推荐的做法是指定类名。
Mdl = fitcgam (XTrain YTrain,“类名”, {“多色的”，“维吉尼亚”})
Mdl = classificationongam ResponseName: 'Y' CategoricalPredictors: [] ClassNames: {'versicolor' 'virginica'} ScoreTransform: 'logit' Intercept: -1.1090 NumObservations: 70属性，方法
Mdl是一个分类模型对象。
预测测试样品标签。
标签=预测（Mdl，XTest）；
创建一个包含真实标签和预测标签的表格。为10个观察值的随机集合显示该表格。
t=表（Y测试、标签、，“VariableNames”, {“真正的标签”，“预测标签”}）;idx = randsample (sum (testInds), 10);t (idx:)
ans=10×2表“UUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUU'}{'versicolor'}{'virginica'}{'virginica'}
根据真实标签创建一个混淆图欧美以及预测的标签标签．
厘米= confusionchart(欧美、标签);
比较后验概率Logit
使用分类GAM估计新观测的后验概率的logit，该分类GAM包含预测器的线性和交互项。使用内存高效的模型对象对新的观察进行分类。指定在对新观察结果进行分类时是否包括交互项。
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”)还是好(“g”)．
负载电离层
将数据集划分为两个集：一个包含训练数据，另一个包含新的、未观察到的测试数据。为新的测试数据集保留10个观察值。
rng(“默认”）%为了再现性n =大小(X, 1);newInds = randsample (n, 10);第1 = ~ ismember (1: n, newInds);XNew = X (newInds:);YNew = Y (newInds);
使用预测器训练GAMX和类标签Y．推荐的做法是指定类名。指定包含10个最重要的交互项。
Mdl = fitcgam (X(第1:),Y(第1),“类名”, {“b”，“g”},“互动”,10);
Mdl是一个分类模型对象。
通过减小训练模型的大小来节省内存。
CMdl =紧凑(Mdl);谁(“Mdl”，“CMdl”）
Name Size Bytes Class Attributes CMdl 1x1 1081091 classregg .learning. Class . compactclassificationongam Mdl 1x1 1282650 classificationongam . Class . Name Size Bytes Class Attributes CMdl 1x1 1081091 classregg .learning. Class . compactclassificationongam Mdl 1x1 1282650 classificationongam . Class
CMdl是一个CompactClassificationGAM模型对象。
使用线性和交互术语预测标签，然后只使用线性术语。要排除交互项，请指定“IncludeInteractions”,假的.通过指定ScoreTransform财产“没有”．
CMdl。ScoreTransform =“没有”[标签，分数]=预测（CMdl，XNew）；[标签，分数，分数]=预测（CMdl，XNew，“IncludeInteractions”，假）；t=表格（YNew，labels，scores，labels\u nointeraction，scores\u nointeraction，．..“VariableNames”, {“真实标签”，“预测标签”，“分数”．..“没有交互作用的预测标签”，“没有互动的分数”})
t =10×5表真正的标签标签预测分数预测标签没有交互的分数没有交互 ___________ ________________ __________________ _____________________________________ ___________________________ {' -40.23 - 40.23 g’}{‘g’}{‘g’}-37.484 - 37.484{‘g’}{‘g’}-41.215 - 41.215 -38.737 - 38.737{‘g’}{‘g’}{‘g’}{‘g’}44.413 -44.413 -42.18642.186 {'g'} {'b'} 3.0658 -3.0658 {'b'} 1.4338 -1.4338 {'g'} {'g'} -84.637 84.637 {'g'} -81.269 81.269 {'g'} {'g'} -27.44 27.44 {'g'} -24.831 24.831 {'g'} {'g'} -62.989 62.989 {'g'} -60.4 60.4 {'g'} {'g'} -77.109 77.109 {'g'} -75.937 75.937 {'g'} {'g'} -48.519 48.519 {'g'} -47.067 47.067 {'g'} {'g'} -56.256 56.256 {'g'} -53.373 53.373
测试数据的预测标签Xnew不要因包含交互术语而有所不同，但估计的分数值不同。
绘制后验概率区域
训练广义可加模型，然后利用第一类的概率值绘制后验概率区域。
加载fisheriris数据集。创建X作为一个数字矩阵，包含了花斑和维珍的两个花瓣尺寸。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fisheririsinds=strcmp（种类，“多色的”)| strcmp（种类，“维吉尼亚”）;X =量(第1 3:4);: Y =物种(第1);
使用预测器训练广义加性模型X和类标签Y．推荐的做法是指定类名。
Mdl = fitcgam (X, Y,“类名”, {“多色的”，“维吉尼亚”}）;
Mdl是一个分类模型对象。
在观测的预测器空间中定义一个网格值。
xMax=max（X）；xMin=min（X）；x1=linspace（xMin（1），xMax（1），250）；x2=linspace（xMin（2），xMax（2），250）；[x1Grid，x2Grid]=meshgrid（x1，x2）；
预测网格中每个实例的后验概率。
[~, PosteriorRegion] =预测(Mdl [x1Grid (:), x2Grid (:)));
使用第一类的概率值绘制后验概率区域“多色的”．
h =散射(x1Grid (:), x2Grid (:), 1, PosteriorRegion (: 1));h.MarkerEdgeAlpha = 0.3;
绘制训练数据。
持有在gh=gscatter（X（：，1），X（：，2），Y，“k”，“dx”)；头衔(“虹膜瓣测量和后验概率”)包含(“花瓣长度(厘米)”) ylabel (‘花瓣宽度（厘米）’)传说(gh,“位置”，“最佳”) colorbar举行从
输入参数
输出参数
更多关于
你也可以从以下列表中选择一个网站:
