Обучите одномерную обобщенную аддитивную классификационную модель, которая содержит линейные условия для предикторов. Классифицируйте новое наблюдение с помощью объекта эффективной памяти модели. Затем интерпретируйте предсказание для заданного образца данных с помощью plotLocalEffects функция.

Загрузите ionosphere набор данных. Этот набор данных имеет 34 предиктора и 351 двоичный ответ для радиолокационных возвратов, либо плохо ('b') или хорошо ('g').

load ionosphere

Обучите одномерную GAM, которая определяет, является ли возврат радара плохим ('b') или хорошо ('g').

Mdl = fitcgam(X,Y);

Mdl является ClassificationGAM объект модели.

Сохраните память путем уменьшения размера обученной модели.

CMdl = compact(Mdl);

Классифицируйте первое наблюдение обучающих данных и постройте график локальных эффектов терминов в Mdl на предсказании.

label = predict(CMdl,X(1,:))

label = 1x1 cell array
    {'g'}

plotLocalEffects(CMdl,X(1,:))

The predict функция классифицирует первые X(1,:) наблюдения как 'g'. The plotLocalEffects функция создает горизонтальный столбчатый график, которая показывает локальные эффекты 10 наиболее важных членов на предсказание. Каждое значение локального эффекта показывает вклад каждого члена в классификационную оценку для 'g', который является логитом апостериорной вероятности того, что классификация 'g' для наблюдения.

Обучите GAM для двоичной классификации с линейными и условиями взаимодействия для предикторов. Создать график локальных эффектов можно с помощью как линейных, так и члены в модели взаимодействия, а затем создать график используя только линейные членов в модели. Укажите, включать ли условия взаимодействия при создании графика локальных эффектов.

Загрузите ionosphere набор данных. Этот набор данных имеет 34 предиктора и 351 двоичный ответ для радиолокационных возвратов, либо плохо ('b') или хорошо ('g').

load ionosphere

Обучите GAM с помощью предикторов X и метки классов Y. Рекомендуемая практика состоит в том, чтобы задать имена классов. Укажите, чтобы включить 10 наиболее важных условий 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 условия взаимодействия в Mdl для первого графика и используйте только линейные условия в Mdl для второго графика. Чтобы исключить условия взаимодействия, задайте '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')

На графиках отображаются 10 наиболее важных терминов. Оба графика включают девять простых терминов и один редкий термин. Первый график включает термин взаимодействия для x1 и x5, тогда как второй график включает линейный термин x14.

Обучите одномерную GAM для регрессии, которая содержит линейные условия для предикторов. Затем интерпретируйте предсказание для заданного образца данных с помощью plotLocalEffects функция.

Загрузите набор данных NYCHousing2015.

load NYCHousing2015

Набор данных включает 10 переменных с информацией о продажах недвижимости в Нью-Йорке в 2015 году. Этот пример использует эти переменные для анализа продажных цен (SALEPRICE).

Предварительно обработайте набор данных. Удалите выбросы, преобразуйте datetime массив (SALEDATE) на номера месяцев и переместите переменную отклика (SALEPRICE) до последнего столбца.

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

Отобразите первые три строки 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    

Обучите одномерный GAM по продажным ценам. Задайте переменные для BOROUGH, NEIGHBORHOOD, BUILDINGCLASSCATEGORY, и SALEDATE как категориальные предикторы.

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

Mdl является RegressionGAM объект модели.

Отображение предполагаемого срока точки пересечения (константы) Mdl.

Mdl.Intercept

ans = 3.7518e+05

Значение точки пересечения термина близко к среднему значению переменной отклика в регрессионом GAM, если обучающие данные не включают NaN значения. Вычислите среднее значение переменной отклика.

mean(NYCHousing2015.SALEPRICE)

ans = 3.7518e+05

Спрогнозируйте цену продажи для первого наблюдения обучающих данных и постройте график локальных эффектов терминов в Mdl на предсказании. Задайте 'IncludeIntercept',true включить в график термин точки пересечения.

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

yFit = 4.4421e+05

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

The predict функция предсказывает цену продажи для первого наблюдения следующим 4.4421e5. The plotLocalEffects функция создает горизонтальный столбчатый график, которая показывает локальные эффекты членов в Mdl на предсказании. Каждое значение локального эффекта показывает вклад каждого термина в прогнозируемую цену продажи.