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 классификатора опорной векторной машины (SVM). Стандартизировать данные и указать, что 'g' является положительным классом.

SVMModel = fitcsvm(X,Y,'Standardize',true,'ClassNames',{'b','g'});

SVMModel является обученным ClassificationSVM классификатор.

Оцените границу повторного замещения, которая является средним значением полей обучающей выборки.

e = resubEdge(SVMModel)

e = 5.0999

Край классификатора измеряет среднее значение полей классификатора. Одним из способов выбора элементов является сравнение кромок обучающих образцов из нескольких моделей. Исходя исключительно из этого критерия, классификатор с наивысшим ребром является лучшим классификатором.

Загрузить ionosphere набор данных. Удалите первые два предиктора стабильности.

load ionosphere
X = X(:,3:end);

Определите два набора данных:

fullX = X;
idx = fscmrmr(X,Y);
partX = X(:,idx(1:10));

Тренируйте наивный классификатор Байеса для каждого набора предикторов.

FullMdl = fitcnb(fullX,Y);
PartMdl = fitcnb(partX,Y);

FullMdl и PartMdl обучены ClassificationNaiveBayes классификаторы.

Оцените границу обучающей выборки для каждого классификатора.

fullEdge = resubEdge(FullMdl)

fullEdge = 0.6554

partEdge = resubEdge(PartMdl)

partEdge = 0.7796

Край классификатора, обученного на 10 наиболее важных предикторах, больше. Этот результат говорит о том, что классификатор, обученный с использованием только этих предикторов, имеет лучшую подгонку в выборке.

Сравните обобщенную аддитивную модель (GAM) с линейными членами с GAM как с линейными, так и с терминами взаимодействия путем изучения полей обучающей выборки и края. Исходя исключительно из этого сравнения, классификатор с наибольшими полями и краями является лучшей моделью.

Загрузка данных переписи 1994 года, хранящихся в census1994.mat. Набор данных состоит из демографических данных Бюро переписи населения США для прогнозирования того, составляет ли человек более 50 000 долларов в год. Задача классификации состоит в том, чтобы соответствовать модели, которая предсказывает категорию зарплаты людей с учетом их возраста, рабочего класса, уровня образования, семейного положения, расы и так далее.

load census1994

census1994 содержит набор данных обучения adultdata и набор тестовых данных adulttest. Чтобы сократить время работы для этого примера, выполните пример 500 учебных наблюдений из adultdata с помощью datasample функция.

rng('default') % For reproducibility
NumSamples = 5e2;
adultdata = datasample(adultdata,NumSamples,'Replace',false);

Обучайте GAM, который содержит как линейные, так и условия взаимодействия для предикторов. Укажите, чтобы включить все доступные термины взаимодействия, значения p которых не превышают 0,05.

Mdl = fitcgam(adultdata,'salary','Interactions','all','MaxPValue',0.05)

Mdl = 
  ClassificationGAM
           PredictorNames: {1x14 cell}
             ResponseName: 'salary'
    CategoricalPredictors: [2 4 6 7 8 9 10 14]
               ClassNames: [<=50K    >50K]
           ScoreTransform: 'logit'
                Intercept: -32.0842
             Interactions: [82x2 double]
          NumObservations: 500


  Properties, Methods

Mdl является ClassificationGAM объект модели. Mdl включает в себя 82 условия взаимодействия.

Оценить границы и границы учебных образцов для Mdl.

M = resubMargin(Mdl);
E = resubEdge(Mdl)

E = 1.0000

Оценить границы и границы учебных образцов для Mdl без включения условий взаимодействия.

M_nointeractions = resubMargin(Mdl,'IncludeInteractions',false);
E_nointeractions = resubEdge(Mdl,'IncludeInteractions',false)

E_nointeractions = 0.9516

Отображение распределений полей с помощью оконных графиков.

boxplot([M M_nointeractions],'Labels',{'Linear and Interaction Terms','Linear Terms Only'})
title('Box Plots of Training Sample Margins')

При включении условий взаимодействия в расчет все значения маржи повторного замещения для Mdl равны 1, а значение края повторного замещения (среднее значение полей) равно 1. Поля и края уменьшаются, если не включить термины взаимодействия в Mdl.