Используйте по сути поддающиеся толкованию модели регрессии, такие как линейные модели, деревья решений, и обобщил аддитивные модели, или используйте функции interpretability, чтобы интерпретировать комплексные модели регрессии, которые не являются по сути поддающимися толкованию.
Чтобы изучить, как интерпретировать модели регрессии, смотрите, Интерпретируют Модели Машинного обучения.
LinearModel | Модель линейной регрессии |
RegressionGAM | Обобщенная аддитивная модель (GAM) для регрессии |
RegressionLinear | Модель линейной регрессии для высоко-размерных данных |
RegressionTree | Дерево регрессии |
Интерпретируйте модели машинного обучения
Объясните предсказания модели с помощью lime, shapley, и plotPartialDependence.
Шепли оценивает за модель машинного обучения
Вычислите значения Шепли для машинного обучения, моделируют использование двух алгоритмов: kernelSHAP и расширение kernelSHAP.
Узнайте об алгоритмах выбора признаков и исследуйте функции, доступные для выбора признаков.
Обучите модель линейной регрессии
Обучите использование модели линейной регрессии fitlm анализировать данные в оперативной памяти и данные, которые не помещаются в память.
Обучите обобщенную аддитивную модель регрессии
Обучите обобщенную аддитивную модель (GAM) оптимальными параметрами, оцените прогнозирующую эффективность и интерпретируйте обученную модель.
Обучите деревья регрессии Используя приложение Regression Learner
Создайте и сравните деревья регрессии и экспортируйте обученные модели, чтобы сделать предсказания для новых данных.