Обучите одномерную обобщенную аддитивную модель классификации, которая содержит линейные члены для предикторов. Классифицируйте новое наблюдение с помощью эффективного памятью объекта модели. Затем интерпретируйте предсказание для заданного экземпляра данных при помощи plotLocalEffects функция.

Загрузите ionosphere набор данных. Этот набор данных имеет 34 предиктора, и 351 бинарный ответ для радара возвращается, любой плохо ('b') или хороший ('g').

load ionosphere

Обучите одномерный GAM, который идентифицирует, плох ли радарный возврат ('b') или хороший ('g').

Mdl = fitcgam(X,Y);

Mdl ClassificationGAM объект модели.

Сохраните память путем сокращения размера обученной модели.

CMdl = compact(Mdl);

Классифицируйте первое наблюдение за обучающими данными и постройте локальные эффекты условий в Mdl на предсказании.

label = predict(CMdl,X(1,:))

label = 1x1 cell array
    {'g'}

plotLocalEffects(CMdl,X(1,:))

predict функция классифицирует первое наблюдение X(1,:) как 'g'. plotLocalEffects функция создает горизонтальный столбчатый график, который показывает локальные эффекты 10 самых важных условий на предсказании. Каждое локальное значение эффекта показывает вклад каждого термина к классификационной оценке для 'g', который является логитом апостериорной вероятности, что классификацией является 'g' для наблюдения.

Обучите GAM бинарной классификации и с линейными членами и с периоды взаимодействия для предикторов. Создайте локальный график эффектов, использующий и линейные термины и периоды взаимодействия в модели, и затем создайте график с помощью только линейные термины в модели. Задайте, включать ли периоды взаимодействия при создании локального графика эффектов.

Загрузите ionosphere набор данных. Этот набор данных имеет 34 предиктора, и 351 бинарный ответ для радара возвращается, любой плохо ('b') или хороший ('g').

load ionosphere

Обучите GAM с помощью предикторов X и класс маркирует Y. Методические рекомендации должны задать имена классов. Задайте, чтобы включать 10 самых важных периодов взаимодействия.

Mdl = fitcgam(X,Y,'ClassNames',{'b','g'},'Interactions',10);

Mdl ClassificationGAM объект модели.

Создайте локальные графики эффектов для 10-го наблюдения. Используйте и линейные термины и периоды взаимодействия в Mdl для первого графика, и используют только линейные термины в Mdl для второго графика. Чтобы исключить периоды взаимодействия, задайте 'IncludeInteractions',false.

t = tiledlayout(2,1);
title(t,'Local Effects Plots for 10th Observation')
nexttile
plotLocalEffects(Mdl,X(10,:))
title('GAM with linear and interaction terms')
nexttile
plotLocalEffects(Mdl,X(10,:),'IncludeInteractions',false)
title('GAM with only linear terms')

Графики отображают 10 самых важных условий. Оба графика включают девять распространенных слов и один редкий термин. Первый график включает период взаимодействия для x1 и x5, тогда как второй график включает линейный член для x14.

Обучите одномерный GAM регрессии, которая содержит линейные члены для предикторов. Затем интерпретируйте предсказание для заданного экземпляра данных при помощи plotLocalEffects функция.

Загрузите набор данных NYCHousing2015.

load NYCHousing2015

Набор данных включает 10 переменных с информацией о продажах свойств в Нью-Йорке в 2 015. Этот пример использует эти переменные, чтобы анализировать отпускные цены (SALEPRICE).

Предварительно обработайте набор данных. Удалите выбросы, преобразуйте datetime массив (SALEDATE) к числам месяца и перемещению переменная отклика (SALEPRICE) к последнему столбцу.

idx = isoutlier(NYCHousing2015.SALEPRICE);
NYCHousing2015(idx,:) = [];
NYCHousing2015.SALEDATE = month(NYCHousing2015.SALEDATE);
NYCHousing2015 = movevars(NYCHousing2015,'SALEPRICE','After','SALEDATE');

Отобразите первые три строки таблицы.

head(NYCHousing2015,3)

ans=3×10 table
    BOROUGH    NEIGHBORHOOD       BUILDINGCLASSCATEGORY        RESIDENTIALUNITS    COMMERCIALUNITS    LANDSQUAREFEET    GROSSSQUAREFEET    YEARBUILT    SALEDATE    SALEPRICE
    _______    ____________    ____________________________    ________________    _______________    ______________    _______________    _________    ________    _________

       2       {'BATHGATE'}    {'01  ONE FAMILY DWELLINGS'}           1                   0                4750              2619            1899           8           0    
       2       {'BATHGATE'}    {'01  ONE FAMILY DWELLINGS'}           1                   0                4750              2619            1899           8           0    
       2       {'BATHGATE'}    {'01  ONE FAMILY DWELLINGS'}           1                   1                1287              2528            1899          12           0    

Обучите одномерный GAM отпускным ценам. Задайте переменные для BOROUGH, NEIGHBORHOOD, BUILDINGCLASSCATEGORY, и SALEDATE как категориальные предикторы.

Mdl = fitrgam(NYCHousing2015,'SALEPRICE','CategoricalPredictors',[1 2 3 9]);

Mdl RegressionGAM объект модели.

Отобразите предполагаемую точку пересечения (постоянный) термин Mdl.

Mdl.Intercept

ans = 3.7518e+05

Значением термина точки пересечения является близко к среднему значению переменной отклика в регрессии GAM, если обучающие данные не включают NaN значения. Вычислите среднее значение переменной отклика.

mean(NYCHousing2015.SALEPRICE)

ans = 3.7518e+05

Предскажите отпускную цену за первое наблюдение за обучающими данными и постройте локальные эффекты условий в Mdl на предсказании. Задайте 'IncludeIntercept',true включать термин точки пересечения в графике.

yFit = predict(Mdl,NYCHousing2015(1,:))

yFit = 4.4421e+05

plotLocalEffects(Mdl,NYCHousing2015(1,:),'IncludeIntercept',true)

predict функция предсказывает отпускную цену за первое наблюдение как 4.4421e5. plotLocalEffects функция создает горизонтальный столбчатый график, который показывает локальные эффекты условий в Mdl на предсказании. Каждое локальное значение эффекта показывает вклад каждого термина к предсказанной отпускной цене.