Обучайте одномерную обобщенную модель аддитивной классификации, которая содержит линейные термины для предикторов. Классифицируйте новое наблюдение с помощью объекта модели с эффективным использованием памяти. Затем интерпретируйте прогноз для указанного экземпляра данных с помощью plotLocalEffects функция.

Загрузить ionosphere набор данных. Этот набор данных имеет 34 предиктора и 351 двоичный отклик для радарных возвращений, либо плохой ('b') или хорошо ('g').

load ionosphere

Обучить одномерный GAM, который определяет, является ли возврат радара плохим ('b') или хорошо ('g').

Mdl = fitcgam(X,Y);

Mdl является ClassificationGAM объект модели.

Экономьте память, уменьшая размер обучаемой модели.

CMdl = compact(Mdl);

Классифицируйте первое наблюдение обучающих данных и постройте график локальных эффектов терминов в Mdl по прогнозу.

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 горизонтальную гистограмму, которая показывает локальные эффекты 10 наиболее важных терминов на прогноз. Каждое локальное значение эффекта показывает вклад каждого термина в оценку классификации для 'g', который является логитом задней вероятности того, что классификация 'g' для наблюдения.

Обучайте GAM для двоичной классификации как с линейными терминами, так и с терминами взаимодействия для предикторов. Создайте график локальных эффектов, используя линейные и интерактивные элементы в модели, а затем создайте график, используя только линейные элементы в модели. Укажите, следует ли включать термины взаимодействия при создании локального графика эффектов.

Загрузить ionosphere набор данных. Этот набор данных имеет 34 предиктора и 351 двоичный отклик для радарных возвращений, либо плохой ('b') или хорошо ('g').

load ionosphere

Обучение GAM с использованием предикторов X и метки классов Y. Рекомендуется указывать имена классов. Укажите, чтобы включить 10 наиболее важных терминов взаимодействия.

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

Mdl является ClassificationGAM объект модели.

Создайте локальные графики эффектов для 10-го наблюдения. Используйте как линейные, так и интерактивные термины в Mdl для первого графика и использовать только линейные члены в Mdl для второго графика. Чтобы исключить термины взаимодействия, укажите '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 наиболее важных терминов. Оба участка включают девять общих терминов и один необычный термин. Первый сюжет включает в себя термин взаимодействия для x1 и x5, тогда как второй график включает линейный член для x14.

Тренируйте одномерный GAM для регрессии, который содержит линейные члены для предикторов. Затем интерпретируйте прогноз для указанного экземпляра данных с помощью plotLocalEffects функция.

Загрузить набор данных NYCHousing2015.

load NYCHousing2015

Набор данных включает 10 переменных с информацией о продажах недвижимости в Нью-Йорке в 2015 году. В этом примере эти переменные используются для анализа продажных цен (SALEPRICE).

Выполните предварительную обработку набора данных. Удалить отклонения, преобразовать datetime массив (SALEDATE) к числам месяцев и переместите переменную ответа (SALEPRICE) к последнему столбцу.

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

Отображение первых трех строк 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    

Тренируйте одномерный GAM для продажных цен. Укажите переменные для BOROUGH, NEIGHBORHOOD, BUILDINGCLASSCATEGORY, и SALEDATE в качестве категориальных предикторов.

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

Mdl является RegressionGAM объект модели.

Отображение расчетного (постоянного) срока перехвата Mdl.

Mdl.Intercept

ans = 3.7518e+05

Значение термина перехвата близко к среднему значению переменной ответа в GAM регрессии, если обучающие данные не включают NaN значения. Вычислить среднее переменной ответа.

mean(NYCHousing2015.SALEPRICE)

ans = 3.7518e+05

Спрогнозировать продажную цену для первого наблюдения за данными обучения и построить график локальных эффектов терминов в Mdl по прогнозу. Определить 'IncludeIntercept',true включить в сюжет термин перехвата.

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

yFit = 4.4421e+05

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

predict функция предсказывает продажную цену для первого наблюдения как 4.4421e5. plotLocalEffects функция создает горизонтальную гистограмму, которая показывает локальные эффекты терминов в Mdl по прогнозу. Каждая локальная величина эффекта показывает вклад каждого срока в прогнозируемую цену продажи.