主要内容

CompactClassificationGAM

二值分类的紧致广义可加模型

全部展开页面

    描述

    CompactClassificationGAM是紧凑版的吗ClassificationGAM模型对象(用于二进制分类的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。对于预测新数据的标签等任务，使用紧凑的模型。

    创建

    创建一个CompactClassificationGAM对象的完整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。

    交互项指标，指定为at正整数的- × 2矩阵，其中t为模型中交互项的个数。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。如果模型不包含交互项，则此属性为空(［］)．

    该软件将交互项按照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，指定为一个数值标量。

    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，指定为一个正整数向量。CategoricalPredictors包含与包含分类预测器的预测器数据列对应的索引值。如果没有任何预测器是绝对的，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数组。一会具有与类标签相同的数据类型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

    误分类代价，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一会．

    该软件使用成本预测有价值，但训练没有价值。你可以使用点符号来改变这个值。

    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是一样的PredictorNames对于广义可加模型。

    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，指定为包含两个元素的数字向量。元素的顺序与元素的顺序相对应一会．

    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。

    将分数转换函数改为函数，例如，使用点符号。

    • 对于内置函数，请输入字符向量。

      Mdl。ScoreTransform = '函数”;

      该表描述了可用的内置函数。

      价值 描述
      “doublelogit” 1 / (1 +e2x）
      “invlogit” 日志(x/ (1 -x)）
      “ismax” 将分数最大的班级的分数设置为1，并将所有其他班级的分数设置为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” 将分数最大的班级的分数设置为1，并将所有其他班级的分数设置为-1
      “symmetriclogit” 2 / (1 +e- - - - - -x) - 1

    • 对于一个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 局部可解释的模型不可知解释(LIME)
    partialDependence 计算部分依赖
    plotLocalEffects 绘制广义可加模型(GAM)中项的局部效应
    plotPartialDependence 创建部分依赖图(PDP)和个人条件期望图(ICE)
    沙普利 沙普利值
    预测 使用广义可加模型(GAM)对观测结果进行分类
    损失 广义可加模型的分类损失
    保证金 广义可加模型的分类裕度
    边缘 广义可加模型的分类边
    compareHoldout 使用新数据比较两个分类模型的准确性

    例子

    全部折叠

    打开生活的脚本

    通过去除训练数据来减小全广义可加模型(GAM)的大小。完整的模型保存训练数据。您可以使用一个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，或坏(“b”)或好(‘g’)．

    负载电离层

    使用预测器训练GAMX和类标签Y．推荐的做法是指定类名。

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

    Mdl是一个ClassificationGAM模型对象。

    减小分类器的大小。

    CMdl =紧凑(Mdl)
    CMdl = compactclassificationongam 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数量。

    谁(“Mdl”，“CMdl”）
    Name Size Bytes Class Attributes CMdl 1x1 1030010 classreg.learning. Class . compactclassificationongam Mdl 1x1 1230986 classificationongam . Name Size Bytes Class Attributes CMdl 1x1 1030010 classreg.learning. Class . compactclassificationongam Mdl 1x1 1230986 classificationongam . Name Size Bytes

    完整分类器(Mdl)比紧凑分级机(CMdl)．

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

    另请参阅

    |

    主题

    介绍了R2021a

    统计和机器学习工具箱文档

    金宝app

    掌握机器学习:一步一步的指导与MATLAB

    掌握机器学习:一步一步的指导与MATLAB

    下载电子书