Обобщенная аддитивная модель
Интерпретируемая модель, состоящая из одномерных и двумерных функций формы для двоичной классификации
Использовать fitcgam для соответствия обобщенной аддитивной модели для двоичной классификации.
Обобщённая аддитивная модель (GAM) - интерпретируемая модель, которая объясняет оценки классов (логит вероятностей классов), используя сумму одномерных и двумерных функций формы предикторов. fitcgam использует усиленное дерево в качестве функции формы для каждого предиктора и, необязательно, для каждой пары предикторов; следовательно, функция может фиксировать нелинейное отношение между предиктором и переменной отклика. Поскольку вклады отдельных функций формы в прогноз (классификационный балл) хорошо разделены, модель легко интерпретировать.
Функции
развернуть все
Создание объекта GAM
fitcgam | Подгонка обобщенной аддитивной модели (GAM) для двоичной классификации |
compact | Уменьшение размера модели машинного обучения |
crossval | Модель машинного обучения с перекрестной проверкой |
Обновить GAM
addInteractions | Добавление терминов взаимодействия в одномерную обобщенную аддитивную модель (GAM) |
resume | Возобновление обучения обобщенной аддитивной модели (GAM) |
Интерпретировать предсказание
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 |
Оценка прогностической эффективности новых наблюдений
predict | Классификация наблюдений с использованием обобщенной аддитивной модели (GAM) |
loss | Классификационные потери для обобщенной аддитивной модели (GAM) |
margin | Классификационные поля для обобщенной аддитивной модели (GAM) |
edge | Край классификации для обобщенной аддитивной модели (GAM) |
Оценка предиктивной эффективности данных обучения
resubPredict | Классификация данных обучения с использованием обученного классификатора |
resubLoss | Потеря классификации возмещения |
resubMargin | Маржа классификации ресообразования |
resubEdge | Край классификации повторной субституции |
Оценка предиктивной производительности для перекрестно проверенных данных
kfoldPredict | Классификация наблюдений в перекрестно проверенной модели классификации |
kfoldLoss | Потеря классификации для перекрестно проверенной модели классификации |
kfoldMargin | Поля классификации для перекрестно проверенной модели классификации |
kfoldEdge | Край классификации для перекрестно проверенной модели классификации |
kfoldfun | Функция перекрестной проверки для классификации |
Сравнение точности
compareHoldout | Сравнение точности двух классификационных моделей с использованием новых данных |
testckfold | Сравнение точности двух классификационных моделей с помощью повторной перекрестной проверки |
