加载电离层数据集。这个数据集有34个预测器和351个雷达回波的二进制响应，或者是坏的(“b”)或好(‘g’)．

负载电离层

训练支持向量机分金宝app类器。将数据标准化并指定‘g’是积极类。

SVMModel=fitcsvm（X，Y，“标准化”符合事实的“类名”, {“b”,‘g’});

SVMModel他是一个训练有素的人ClassificationSVM分类器。

估计再替换边，即训练样本边缘的均值。

e = resubEdge (SVMModel)

e = 5.0999

分类器边缘测量分类器边缘的平均值。进行特征选择的一种方法是比较来自多个模型的训练样本边缘。仅根据这个准则，具有最高边的分类器就是最好的分类器。

加载电离层数据集。删除前两个预测稳定性的指标。

负载电离层X=X（：，3:end）；

定义这两个数据集：

fullX=X；idx=fscmrmr（X，Y）；partX=X（：，idx（1:10））；

为每个预测器集训练朴素贝叶斯分类器。

FullMdl=fitcnb（fullX，Y）；PartMdl=fitcnb（partX，Y）；

FullMdl和PartMdl受过训练分类朴素贝叶斯分类器。

估计每个分类器的训练样本边缘。

fullEdge = resubEdge (FullMdl)

fullEdge = 0.6554

partEdge = resubEdge (PartMdl)

partEdge = 0.7796

在10个最重要的预测因子上训练的分类器边缘较大。这一结果表明，仅使用这些预测因子训练的分类器具有更好的样本拟合。

通过检验训练样本边缘和边缘，将具有线性项的广义可加模型与具有线性项和交互项的广义可加模型进行比较。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。

加载存储在中的1994年人口普查数据census1994.mat该数据集由美国人口普查局的人口统计数据组成，用于预测个人年收入是否超过5万美元。该分类任务是根据年龄、工人阶级、教育水平、婚姻状况、种族等因素，拟合一个预测工资类别的模型。

负载普查1994

普查1994包含训练数据集adultdata以及测试数据集成人.为了减少本例的运行时间，从adultdata通过使用数据样本作用

rng (“默认”)%的再现性NumSamples = 5 e2;adultdata = datasample (adultdata NumSamples,“替换”、假);

训练一个GAM，该GAM包含预测因子的线性项和交互项。指定包含所有可用交互项P-值不大于0.05。

Mdl=fitcgam（成人数据，“工资”,“互动”,“所有”,“最大值”,0.05)

Mdl=ClassificationGAM预测名称：{1x14 cell}ResponseName:'salary'分类预测：[2 4 6 7 8 9 10 14]类名称：[<=50K>50K]ScoreTransform:'logit'截获：-32.0842交互：[82x2 double]numobervations:500个属性、方法

Mdl是一个ClassificationGAM模型对象。Mdl包括82个交互术语。

估计训练样本的边距和边缘Mdl．

M = resubMargin (Mdl);E = resubEdge (Mdl)

E=1.0000

估计训练样本的边距和边缘Mdl不包括交互项。

M_nointeractions = resubMargin (Mdl,“IncludeInteractions”，false）；E_nointeractions=重新沉积（Mdl，“IncludeInteractions”假)

E_nointeractions = 0.9516

使用方框图显示边距的分布。

箱线图([M M_nointeractions],“标签”, {“线性和互动术语”,“仅限线性项”})标题(“训练样本边际的箱形图”)

当您在计算中包括交互项时，将为Mdl为1，再替换边值(边距的平均值)为1。当不包含交互项时，边距和边距会减小Mdl．