Обобщенная аддитивная модель
Интерпретируемая модель, состоящая из одномерных и двухмерных функций формы для двоичной классификации
Использовать fitcgam для подгонки обобщенной аддитивной модели для двоичной классификации.
Обобщенная аддитивная модель (GAM) является интерпретируемой моделью, которая объясняет счета классов (логит вероятностей классов) с помощью суммы одномерных и двухмерных функций формы предикторов. fitcgam использует усиленное дерево в качестве функции формы для каждого предиктора и, опционально, для каждой пары предикторов; поэтому функция может захватывать нелинейное отношение между предиктором и переменной отклика. Поскольку вклады отдельных функций формы в предсказание (классификационная оценка) хорошо разделены, модель легко интерпретировать.
Функции
расширить все
Создание объекта GAM
fitcgam | Подгонка обобщенной аддитивной модели (GAM) для двоичной классификации |
compact | Уменьшите размер модели машинного обучения |
crossval | Перекрестная валидация модели машинного обучения |
Обновление GAM
addInteractions | Добавьте условия взаимодействия в одномерную обобщенную аддитивную модель (GAM) |
resume | Возобновите обучение обобщенной аддитивной модели (GAM) |
Интерпретируйте предсказание
lime | Локальные интерпретируемые модели-агностические объяснения (LIME) |
partialDependence | Вычисление частичной зависимости |
plotLocalEffects | Постройте график локальных эффектов терминов в обобщенной аддитивной модели (GAM) |
plotPartialDependence | Создайте график частичной зависимости (PDP) и отдельные графики условного ожидания (ICE) |
shapley | Значения Shapley |
Оцените прогнозирующую эффективность при новых наблюдениях
predict | Классифицируйте наблюдения с помощью обобщенной аддитивной модели (GAM) |
loss | Классификационные потери для обобщенной аддитивной модели (GAM) |
margin | Классификационные поля для обобщенной аддитивной модели (GAM) |
edge | Классификационные ребра для обобщенной аддитивной модели (GAM) |
Оценка прогнозирующей эффективности при обучающих данных
resubPredict | Классификация обучающих данных с помощью обученного классификатора |
resubLoss | Потери по классификации реституции |
resubMargin | Классификационный запас для реституции |
resubEdge | Ребро классификации реституции |
Оценка прогнозирующей эффективности на перекрестных проверенных данных
kfoldPredict | Классифицируйте наблюдения в перекрестно проверенной классификационной модели |
kfoldLoss | Классификационные потери для перекрестно проверенной классификационной модели |
kfoldMargin | Классификационные поля для перекрестно проверенной классификационной модели |
kfoldEdge | Классификационные ребра для перекрестно проверенной классификационной модели |
kfoldfun | Функция перекрестной проверки для классификации |
Сравнение точностей
compareHoldout | Сравните точности двух классификационных моделей с помощью новых данных |
testckfold | Сравните точности двух классификационных моделей путем повторной перекрестной валидации |