Предскажите ответы с помощью обобщенной аддитивной модели (GAM)
yFit = predict(Mdl,X,'IncludeInteractions',includeInteractions)
Обучите обобщенную аддитивную модель с помощью обучающих выборок, и затем предскажите тестовые демонстрационные ответы.
Загрузите patients набор данных.
load patientsСоставьте таблицу, которая содержит переменные предикторы (Age, Diastolic, Smoker, Weight, Gender, SelfAssessedHealthStatus) и переменная отклика (Systolic).
tbl = table(Age,Diastolic,Smoker,Weight,Gender,SelfAssessedHealthStatus,Systolic);
Случайным образом наблюдения раздела в набор обучающих данных и набор тестов. Задайте 10%-ю выборку затяжки для тестирования.
rng('default') % For reproducibility cv = cvpartition(size(tbl,1),'HoldOut',0.10);
Извлеките обучение и протестируйте индексы.
trainInds = training(cv); testInds = test(cv);
Обучите одномерный GAM, который содержит линейные члены для предикторов в tbl.
Mdl = fitrgam(tbl(trainInds,:),'Systolic')Mdl =
RegressionGAM
PredictorNames: {1x6 cell}
ResponseName: 'Systolic'
CategoricalPredictors: [3 5 6]
ResponseTransform: 'none'
Intercept: 122.7444
NumObservations: 90
Properties, Methods
Mdl RegressionGAM объект модели.
Предскажите ответы для набора тестов.
yFit = predict(Mdl,tbl(testInds,:));
Составьте таблицу, содержащую наблюдаемые значения отклика и предсказанные значения отклика.
table(tbl.Systolic(testInds),yFit, ... 'VariableNames',{'Observed Value','Predicted Value'})
ans=10×2 table
Observed Value Predicted Value
______________ _______________
124 126.58
121 123.95
130 116.72
115 117.35
121 117.45
116 118.5
123 126.16
132 124.14
125 127.36
124 115.99
Предскажите ответы для новых наблюдений с помощью обобщенной аддитивной модели, которая содержит и линейные члены и периоды взаимодействия для предикторов. Используйте эффективный памятью объект модели и задайте, включать ли периоды взаимодействия при предсказании ответов.
Загрузите carbig набор данных, который содержит измерения автомобилей, сделанных в 1970-х и в начале 1980-х.
load carbigЗадайте Acceleration, Displacement, Horsepower, и Weight как переменные предикторы (X) и MPG как переменная отклика (Y).
X = [Acceleration,Displacement,Horsepower,Weight]; Y = MPG;
Разделите набор данных в два набора: один содержащий обучающие данные и другой содержащий новые, ненаблюдаемые тестовые данные. Зарезервируйте 10 наблюдений для нового набора тестовых данных.
rng('default')
n = size(X,1);
newInds = randsample(n,10);
inds = ~ismember(1:n,newInds);
XNew = X(newInds,:);
YNew = Y(newInds);Обучите GAM, который содержит все доступные линейные члены и периоды взаимодействия в X.
Mdl = fitrgam(X(inds,:),Y(inds),'Interactions','all');
Mdl RegressionGAM объект модели.
Сохраните память путем сокращения размера обученной модели.
CMdl = compact(Mdl); whos('Mdl','CMdl')
Name Size Bytes Class Attributes CMdl 1x1 1228122 classreg.learning.regr.CompactRegressionGAM Mdl 1x1 1262143 RegressionGAM
CMdl CompactRegressionGAM объект модели.
Предскажите ответы, использующие и линейные термины и периоды взаимодействия, и затем использующие только линейные члены. Чтобы исключить периоды взаимодействия, задайте 'IncludeInteractions',false.
yFit = predict(CMdl,XNew);
yFit_nointeraction = predict(CMdl,XNew,'IncludeInteractions',false);Составьте таблицу, содержащую наблюдаемые значения отклика и предсказанные значения отклика.
t = table(YNew,yFit,yFit_nointeraction, ... 'VariableNames',{'Observed Response', ... 'Predicted Response','Predicted Response Without Interactions'})
t=10×3 table
Observed Response Predicted Response Predicted Response Without Interactions
_________________ __________________ _______________________________________
27.9 23.04 23.649
NaN 37.163 35.779
NaN 25.876 21.978
13 12.786 14.141
36 28.889 27.281
19.9 22.199 18.451
24.2 23.995 24.885
12 14.247 13.982
38 33.797 33.528
13 12.225 11.127
Mdl — Обобщенная аддитивная модельRegressionGAM объект модели | CompactRegressionGAM объект моделиОбобщенная аддитивная модель в виде RegressionGAM или CompactRegressionGAM объект модели.
X — Данные о предиктореДанные о предикторе в виде числовой матрицы или таблицы.
Каждая строка X соответствует одному наблюдению, и каждый столбец соответствует одной переменной.
Для числовой матрицы:
Переменные, которые составляют столбцы X должен иметь тот же порядок как переменные предикторы, которые обучили Mdl.
Если вы обучили Mdl использование таблицы, затем X может быть числовая матрица, если таблица содержит все числовые переменные предикторы.
Для таблицы:
Если вы обучили Mdl с помощью таблицы (например, Tbl), затем все переменные предикторы в X должен иметь те же имена переменных и типы данных как те в Tbl. Однако порядок следования столбцов X не должен соответствовать порядку следования столбцов Tbl.
Если вы обучили Mdl с помощью числовой матрицы затем предиктор называет в Mdl.PredictorNames и соответствующий переменный предиктор называет в X должно быть то же самое. Чтобы задать имена предиктора во время обучения, используйте 'PredictorNames' аргумент значения имени. Все переменные предикторы в X должны быть числовые векторы.
X может содержать дополнительные переменные (переменные отклика, веса наблюдения, и так далее), но predict игнорирует их.
predict не поддерживает многостолбцовые переменные или массивы ячеек кроме массивов ячеек из символьных векторов.
Типы данных: table | double | single
includeInteractions — Отметьте, чтобы включать периоды взаимодействияtrue | falseОтметьте, чтобы включать периоды взаимодействия модели в виде true или false.
includeInteractions по умолчанию значением является true если Mdl содержит периоды взаимодействия. Значением должен быть false если модель не содержит периоды взаимодействия.
Типы данных: логический
yFit — Предсказанные ответыПредсказанные ответы, возвращенные как вектор из длины n, где n является количеством наблюдений в данных о предикторе X.
У вас есть модифицированная версия этого примера. Вы хотите открыть этот пример со своими редактированиями?
1. Если смысл перевода понятен, то лучше оставьте как есть и не придирайтесь к словам, синонимам и тому подобному. О вкусах не спорим.
2. Не дополняйте перевод комментариями “от себя”. В исправлении не должно появляться дополнительных смыслов и комментариев, отсутствующих в оригинале. Такие правки не получится интегрировать в алгоритме автоматического перевода.
3. Сохраняйте структуру оригинального текста - например, не разбивайте одно предложение на два.
4. Не имеет смысла однотипное исправление перевода какого-то термина во всех предложениях. Исправляйте только в одном месте. Когда Вашу правку одобрят, это исправление будет алгоритмически распространено и на другие части документации.
5. По иным вопросам, например если надо исправить заблокированное для перевода слово, обратитесь к редакторам через форму технической поддержки.