二值分类的紧致广义可加模型
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。
创建一个CompactClassificationGAM
对象的完整ClassificationGAM
通过使用紧凑的
.
的相互作用
- - - - - -交互项指标[]
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
拦截
- - - - - -模型截距项此属性是只读的。
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
CategoricalPredictors
- - - - - -分类预测指标[]
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
一会
- - - - - -独特的类标签此属性是只读的。
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
成本
- - - - - -误分类代价误分类代价,指定为2乘2的数字矩阵。
成本(
将一个点分类的成本是多少我
,j
)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
ExpandedPredictorNames
- - - - - -扩大了预测的名字此属性是只读的。
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
PredictorNames
- - - - - -预测变量的名字此属性是只读的。
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
之前
- - - - - -前类概率此属性是只读的。
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
ResponseName
- - - - - -响应变量名此属性是只读的。
响应变量名,指定为字符向量。
数据类型:字符
ScoreTransform
- - - - - -分数转换分数转换,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
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 |
compareHoldout |
使用新数据比较两个分类模型的准确性 |
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
.
你点击一个链接对应于这个MATLAB命令:
通过在MATLAB命令窗口中输入命令来运行命令。Web浏览器不支持MATLAB命令。金宝app
你也可以从以下列表中选择一个网站:
选择中国网站(中文或英文)以获得最佳网站性能。其他MathWorks国家站点没有针对您所在位置的访问进行优化。