Компактная обобщенная аддитивная модель (GAM) для двоичной классификации
CompactClassificationGAM является компактной версией ClassificationGAM объект модели (GAM для двоичной классификации). Компактная модель не включает данные, используемые для обучения классификатора. Поэтому некоторые задачи, такие как перекрестная проверка, с использованием компактной модели выполнить невозможно. Используйте компактную модель для таких задач, как прогнозирование меток новых данных.
Создать CompactClassificationGAM объект из полного ClassificationGAM объект модели с помощью compact.
Interactions - Индексы терминов взаимодействия[]Это свойство доступно только для чтения.
Индексы терминов взаимодействия, указанные как t-на-2 матрица положительных чисел, где t - количество терминов взаимодействия в модели. Каждая строка матрицы представляет один член взаимодействия и содержит индексы столбцов данных предиктора. X для термина взаимодействия. Если модель не включает член взаимодействия, то это свойство пустое ([]).
Программное обеспечение добавляет условия взаимодействия в модель в порядке важности на основе значений p. Это свойство используется для проверки порядка терминов взаимодействия, добавленных в модель.
Типы данных: double
Intercept - Срок перехвата моделиЭто свойство доступно только для чтения.
Член перехвата (константа) модели, который является суммой членов перехвата в деревьях предикторов и деревьях взаимодействия, заданных как числовой скаляр.
Типы данных: single | double
CategoricalPredictors - Индексы категориального предиктора[]Это свойство доступно только для чтения.
Индексы категориального предиктора, указанные как вектор положительных целых чисел. CategoricalPredictors содержит значения индекса, соответствующие столбцам данных предиктора, которые содержат категориальные предикторы. Если ни один из предикторов не категоричен, то это свойство пустое ([]).
Типы данных: double
ClassNames - Уникальные метки классаЭто свойство доступно только для чтения.
Уникальные метки классов, используемые в обучении, указанные как категориальный или символьный массив, логический или числовой вектор или массив ячеек символьных векторов. ClassNames имеет тот же тип данных, что и метки класса Y. (Программа рассматривает строковые массивы как массивы ячеек символьных векторов.)
ClassNames также определяет порядок классов.
Типы данных: single | double | logical | char | cell | categorical
Cost - Расходы на неправильную классификациюЗатраты на неправильную классификацию, указанные как числовая матрица 2 на 2.
Cost( - стоимость классификации точки по классу i,j)j если его истинный класс i. Порядок строк и столбцов Cost соответствует порядку классов в ClassNames.
Программное обеспечение использует Cost значение для прогнозирования, но не обучения. Значение можно изменить с помощью точечной нотации.
Пример: Mdl.Cost = C;
Типы данных: double
ExpandedPredictorNames - Расширенные имена предикторовЭто свойство доступно только для чтения.
Расширенные имена предикторов, заданные как массив ячеек символьных векторов.
ExpandedPredictorNames является таким же, как PredictorNames для обобщенной аддитивной модели.
Типы данных: cell
PredictorNames - Имена переменных предиктораЭто свойство доступно только для чтения.
Имена переменных предиктора, заданные как массив ячеек векторов символов. Порядок элементов PredictorNames соответствует порядку, в котором имена предикторов появляются в данных обучения.
Типы данных: cell
Prior - Вероятности предыдущего классаЭто свойство доступно только для чтения.
Вероятности предшествующего класса, определенные как числовой вектор с двумя элементами. Порядок элементов соответствует порядку элементов в ClassNames.
Типы данных: double
ResponseName - Имя переменной ответаЭто свойство доступно только для чтения.
Имя ответной переменной, указанное как символьный вектор.
Типы данных: char
ScoreTransform - Преобразование балловПреобразование баллов, указанное как символьный вектор или дескриптор функции. ScoreTransform представляет встроенную функцию преобразования или дескриптор функции для преобразования прогнозируемых оценок классификации.
Изменение функции преобразования баллов на function, например, использовать точечную нотацию.
Для встроенной функции введите символьный вектор.
Mdl.ScoreTransform = 'function';
В этой таблице описаны доступные встроенные функции.
| Стоимость | Описание |
|---|---|
'doublelogit' | 1/( 1 + e-2x) |
'invlogit' | log (x/( 1 - x)) |
'ismax' | Устанавливает балл для класса с наибольшим баллом в 1 и устанавливает балл для всех остальных классов в 0 |
'logit' | 1/( 1 + e-x) |
'none' или 'identity' | x (без преобразования) |
'sign' | -1 для x < 0 0 для x = 0 1 для x > 0 |
'symmetric' | 2x – 1 |
'symmetricismax' | Устанавливает балл для класса с наибольшим баллом в 1 и устанавливает балл для всех остальных классов в -1 |
'symmetriclogit' | 2/( 1 + e-x) - 1 |
Для определяемой функции MATLAB ® или функции введите ее дескриптор.
Mdl.ScoreTransform = @function;
function должен принять матрицу (исходные баллы) и вернуть матрицу того же размера (преобразованные баллы).
Это свойство определяет вычисление выходного балла для функций объекта, таких как predict, margin, и edge. Использовать 'logit' для вычисления задних вероятностей и использования 'none' для вычисления логита задних вероятностей.
Типы данных: char | function_handle
lime | Локальные интерпретируемые модели-агностические объяснения (LIME) |
partialDependence | Вычислить частичную зависимость |
plotLocalEffects | Построить график локальных эффектов терминов в обобщенной аддитивной модели (GAM) |
plotPartialDependence | Создание графиков частичной зависимости (PDP) и индивидуального условного ожидания (ICE) |
shapley | Значения Шапли |
compareHoldout | Сравнение точности двух классификационных моделей с использованием новых данных |
Уменьшите размер полной обобщенной аддитивной модели (GAM), удалив обучающие данные. Полные модели содержат данные обучения. Для повышения эффективности памяти можно использовать компактную модель.
Загрузить ionosphere набор данных. Этот набор данных имеет 34 предиктора и 351 двоичный отклик для радарных возвращений, либо плохой ('b') или хорошо ('g').
load ionosphereОбучение GAM с использованием предикторов X и метки классов Y. Рекомендуется указывать имена классов.
Mdl = fitcgam(X,Y,'ClassNames',{'b','g'})
Mdl =
ClassificationGAM
ResponseName: 'Y'
CategoricalPredictors: []
ClassNames: {'b' 'g'}
ScoreTransform: 'logit'
Intercept: 2.2715
NumObservations: 351
Properties, Methods
Mdl является ClassificationGAM объект модели.
Уменьшите размер классификатора.
CMdl = compact(Mdl)
CMdl =
CompactClassificationGAM
ResponseName: 'Y'
CategoricalPredictors: []
ClassNames: {'b' 'g'}
ScoreTransform: 'logit'
Intercept: 2.2715
Properties, Methods
CMdl является CompactClassificationGAM объект модели.
Отображение объема памяти, используемой каждым классификатором.
whos('Mdl','CMdl')
Name Size Bytes Class Attributes CMdl 1x1 1030010 classreg.learning.classif.CompactClassificationGAM Mdl 1x1 1230986 ClassificationGAM
Полный классификатор (Mdl) больше компактного классификатора (CMdl).
Для эффективной маркировки новых наблюдений можно удалить Mdl из рабочей области MATLAB ®, а затем передатьCMdl и новые предикторные значения для predict.
Имеется измененная версия этого примера. Открыть этот пример с помощью изменений?
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.