Обобщенная аддитивная модель
Поддающаяся толкованию модель, состоявшая из одномерных и двумерных функций формы для бинарной классификации
Использование fitcgam подбирать обобщенную аддитивную модель для бинарной классификации.
Обобщенная аддитивная модель (GAM) является поддающейся толкованию моделью, которая объясняет баллы класса (логит вероятностей класса) использование суммы одномерных и двумерных функций формы предикторов. fitcgam использует повышенное дерево в качестве функции формы для каждого предиктора и, опционально, каждой пары предикторов; поэтому, функция может получить нелинейное отношение между предиктором и переменной отклика. Поскольку вклады отдельных функций формы к предсказанию (классификационная оценка) хорошо разделяются, модель легко интерпретировать.
Функции
развернуть все
Создайте объект GAM
fitcgam | Подходящая обобщенная аддитивная модель (GAM) для бинарной классификации |
compact | Уменьшайте размер модели машинного обучения |
crossval | Перекрестный подтвердите модель машинного обучения |
Обновите GAM
addInteractions | Добавьте периоды взаимодействия в одномерную обобщенную аддитивную модель (GAM) |
resume | Возобновите обучение обобщенной аддитивной модели (GAM) |
Интерпретируйте предсказание
lime | Локальные поддающиеся толкованию объяснения модели агностические (LIME) |
partialDependence | Вычислите частичную зависимость |
plotLocalEffects | Постройте локальные эффекты условий в обобщенной аддитивной модели (GAM) |
plotPartialDependence | Создайте графики отдельного условного ожидания (ICE) и частичный график зависимости (PDP) |
shapley | Шепли оценивает |
Оцените прогнозирующую эффективность на новых наблюдениях
predict | Классифицируйте наблюдения с помощью обобщенной аддитивной модели (GAM) |
loss | Потеря классификации для обобщенной аддитивной модели (GAM) |
margin | Поля классификации для обобщенной аддитивной модели (GAM) |
edge | Ребро классификации для обобщенной аддитивной модели (GAM) |
Оцените прогнозирующую эффективность на обучающих данных
Оцените прогнозирующую эффективность на перекрестных подтвержденных данных
kfoldPredict | Классифицируйте наблюдения на перекрестную подтвержденную модель классификации |
kfoldLoss | Потеря классификации для перекрестной подтвержденной модели классификации |
kfoldMargin | Поля классификации для перекрестной подтвержденной модели классификации |
kfoldEdge | Ребро классификации для перекрестной подтвержденной модели классификации |
kfoldfun | Перекрестный подтвердите функцию для классификации |
Сравните точность
compareHoldout | Сравните точность двух моделей классификации с помощью новых данных |
testckfold | Сравните точность двух моделей классификации повторной перекрестной проверкой |
