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 классификатор машины опорных векторов (SVM). Стандартизируйте данные и задайте, что 'g' - положительный класс.

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

SVMModel является обученным ClassificationSVM классификатор.

Оцените ребро реституции, который является средним значением полей обучающей выборки.

e = resubEdge(SVMModel)

e = 5.0999

Классификатор ребра измеряет среднее значение полей классификатора. Один из способов выполнения выбора признаков - сравнение обучающих ребер обучающей выборки из нескольких моделей. Исходя исключительно из этого критерия, классификатор с самым высоким ребром является лучшим классификатором.

Загрузите ionosphere набор данных. Удалите первые два предиктора устойчивости.

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

Задайте эти два набора данных:

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

Обучите наивный классификатор Байеса для каждого набора предикторов.

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

FullMdl и PartMdl обучаются ClassificationNaiveBayes классификаторы.

Оцените ребро обучающей выборки для каждого классификатора.

fullEdge = resubEdge(FullMdl)

fullEdge = 0.6554

partEdge = resubEdge(PartMdl)

partEdge = 0.7796

Ребро классификатора, обученного на 10 самых важных предикторах, больше. Этот результат предполагает, что классификатор, обученный с использованием только этих предикторов, имеет лучшую подгонку в выборке.

Сравните обобщенную аддитивную модель (GAM) с линейными терминами к GAM как с линейными терминами, так и с терминами взаимодействия путем исследования полей и ребра обучающей выборки. Основываясь исключительно на этом сравнении, классификатор с самыми высокими полями и ребром является лучшей моделью.

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

load census1994

census1994 содержит обучающий набор обучающих данных adultdata и набор тестовых данных adulttest. Чтобы уменьшить время работы для этого примера, выделите 500 обучающих наблюдений из adultdata при помощи datasample функция.

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

Обучите GAM, который содержит как линейные, так и условия взаимодействия для предикторов. Задайте, чтобы включить все доступные условия взаимодействия, значения p которых не более 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 82 условия взаимодействия.

Оцените поля и ребро обучающей выборки для Mdl.

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

E = 1.0000

Оцените поля и ребро обучающей выборки 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 прямоугольных графиков.

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

Когда вы включаете условия взаимодействия в расчет, все значения запаса для реституции для Mdl равны 1, и значение ребра восстановления (среднее значение полей) равняется 1. Поля и ребро уменьшаются, когда вы не включаете условия взаимодействия в Mdl.