Классифицируйте наблюдения с помощью обобщенной аддитивной модели (GAM)
label = predict(Mdl,X)X, на основе обобщенной аддитивной модели Mdl для двоичной классификации. Обученная модель может быть либо полной, либо компактной.
Для каждого наблюдения в X, предсказанная метка класса соответствует минимальной ожидаемой стоимости неправильной классификации.
label = predict(Mdl,X,'IncludeInteractions',includeInteractions)
Обучите обобщенную аддитивную модель с помощью обучающих выборок, а затем пометьте тестовые выборки.
Загрузите fisheriris набор данных. Создание X как числовая матрица, которая содержит сепальные и лепестковые измерения для версиколор и виргиниковых ирисов. Создание Y как массив ячеек из векторов символов, который содержит соответствующие виды радужной оболочки.
load fisheriris inds = strcmp(species,'versicolor') | strcmp(species,'virginica'); X = meas(inds,:); Y = species(inds,:);
Случайным образом разбейте наблюдения на набор обучающих данных и тестовый набор с расслоением, используя информацию о классе в Y. Укажите 30% -ная выборка удержания для проверки.
rng('default') % For reproducibility cv = cvpartition(Y,'HoldOut',0.30);
Извлеките индексы обучения и тестирования.
trainInds = training(cv); testInds = test(cv);
Укажите наборы обучающих и тестовых данных.
XTrain = X(trainInds,:); YTrain = Y(trainInds); XTest = X(testInds,:); YTest = Y(testInds);
Обучите обобщенную аддитивную модель с помощью предикторов XTrain и метки классов YTrain. Рекомендуемая практика состоит в том, чтобы задать имена классов.
Mdl = fitcgam(XTrain,YTrain,'ClassNames',{'versicolor','virginica'})
Mdl =
ClassificationGAM
ResponseName: 'Y'
CategoricalPredictors: []
ClassNames: {'versicolor' 'virginica'}
ScoreTransform: 'logit'
Intercept: -1.1090
NumObservations: 70
Properties, Methods
Mdl является ClassificationGAM объект модели.
Спрогнозируйте метки тестовых выборок.
label = predict(Mdl,XTest);
Составьте таблицу, содержащую истинные метки и предсказанные метки. Отобразите таблицу для случайного набора из 10 наблюдений.
t = table(YTest,label,'VariableNames',{'True Label','Predicted Label'}); idx = randsample(sum(testInds),10); t(idx,:)
ans=10×2 table
True Label Predicted Label
______________ _______________
{'virginica' } {'virginica' }
{'virginica' } {'virginica' }
{'versicolor'} {'virginica' }
{'virginica' } {'virginica' }
{'virginica' } {'virginica' }
{'versicolor'} {'versicolor'}
{'versicolor'} {'versicolor'}
{'versicolor'} {'versicolor'}
{'versicolor'} {'versicolor'}
{'virginica' } {'virginica' }
Создайте график неточностей из истинных меток YTest и предсказанные метки label.
cm = confusionchart(YTest,label);
Оцените логит апостериорных вероятностей для новых наблюдений с помощью классификационной GAM, которая содержит как линейные, так и условия взаимодействия для предикторов. Классифицируйте новые наблюдения с помощью объекта эффективной памяти модели. Укажите, включать ли условия взаимодействия при классификации новых наблюдений.
Загрузите ionosphere набор данных. Этот набор данных имеет 34 предиктора и 351 двоичный ответ для радиолокационных возвратов, либо плохо ('b') или хорошо ('g').
load ionosphereРазделите набор данных на два набора: один, содержащий обучающие данные, и другой, содержащий новые, незащищенные тестовые данные. Резервируйте 10 наблюдений для нового набора тестовых данных.
rng('default') % For reproducibility n = size(X,1); newInds = randsample(n,10); inds = ~ismember(1:n,newInds); XNew = X(newInds,:); YNew = Y(newInds);
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(inds,:),Y(inds),'ClassNames',{'b','g'},'Interactions',10);
Mdl является ClassificationGAM объект модели.
Сохраните память путем уменьшения размера обученной модели.
CMdl = compact(Mdl); whos('Mdl','CMdl')
Name Size Bytes Class Attributes CMdl 1x1 1081082 classreg.learning.classif.CompactClassificationGAM Mdl 1x1 1282640 ClassificationGAM
CMdl является CompactClassificationGAM объект модели.
Спрогнозируйте метки, используя как линейные, так и условия взаимодействия, а затем используя только линейные условия. Чтобы исключить условия взаимодействия, задайте 'IncludeInteractions',false. Оцените логит апостериорных вероятностей путем определения ScoreTransform свойство как 'none'.
CMdl.ScoreTransform = 'none'; [labels,scores] = predict(CMdl,XNew); [labels_nointeraction,scores_nointeraction] = predict(CMdl,XNew,'IncludeInteractions',false); t = table(YNew,labels,scores,labels_nointeraction,scores_nointeraction, ... 'VariableNames',{'True Labels','Predicted Labels','Scores' ... 'Predicted Labels Without Interactions','Scores Without Interactions'})
t=10×5 table
True Labels Predicted Labels Scores Predicted Labels Without Interactions Scores Without Interactions
___________ ________________ __________________ _____________________________________ ___________________________
{'g'} {'g'} -40.23 40.23 {'g'} -37.484 37.484
{'g'} {'g'} -41.215 41.215 {'g'} -38.737 38.737
{'g'} {'g'} -44.413 44.413 {'g'} -42.186 42.186
{'g'} {'b'} 3.0658 -3.0658 {'b'} 1.4338 -1.4338
{'g'} {'g'} -84.637 84.637 {'g'} -81.269 81.269
{'g'} {'g'} -27.44 27.44 {'g'} -24.831 24.831
{'g'} {'g'} -62.989 62.989 {'g'} -60.4 60.4
{'g'} {'g'} -77.109 77.109 {'g'} -75.937 75.937
{'g'} {'g'} -48.519 48.519 {'g'} -47.067 47.067
{'g'} {'g'} -56.256 56.256 {'g'} -53.373 53.373
Предсказанные метки для тестовых данных Xnew не варьируются в зависимости от включения условий взаимодействия, но оцененные значения баллов различны.
Обучите обобщенную аддитивную модель, а затем постройте график апостериорных областей вероятностей с помощью значений вероятностей первого класса.
Загрузите fisheriris набор данных. Создание X как числовая матрица, которая содержит два измерения лепестков для versicolor и virginica irises. Создание Y как массив ячеек из векторов символов, который содержит соответствующие виды радужной оболочки.
load fisheriris inds = strcmp(species,'versicolor') | strcmp(species,'virginica'); X = meas(inds,3:4); Y = species(inds,:);
Обучите обобщенную аддитивную модель с помощью предикторов X и метки классов Y. Рекомендуемая практика состоит в том, чтобы задать имена классов.
Mdl = fitcgam(X,Y,'ClassNames',{'versicolor','virginica'});
Mdl является ClassificationGAM объект модели.
Задайте сетку значений в наблюдаемом пространстве предикторов.
xMax = max(X); xMin = min(X); x1 = linspace(xMin(1),xMax(1),250); x2 = linspace(xMin(2),xMax(2),250); [x1Grid,x2Grid] = meshgrid(x1,x2);
Спрогнозируйте апостериорные вероятности для каждого образца в сетке.
[~,PosteriorRegion] = predict(Mdl,[x1Grid(:),x2Grid(:)]);
Постройте график апостериорных областей вероятностей с помощью значений вероятностей первого класса 'versicolor'.
h = scatter(x1Grid(:),x2Grid(:),1,PosteriorRegion(:,1)); h.MarkerEdgeAlpha = 0.3;
Постройте график обучающих данных.
hold on gh = gscatter(X(:,1),X(:,2),Y,'k','dx'); title('Iris Petal Measurements and Posterior Probabilities') xlabel('Petal length (cm)') ylabel('Petal width (cm)') legend(gh,'Location','Best') colorbar hold off
edge | loss | margin | resubPredict