Main Content

このページの翻訳は最新ではありません。ここをクリックして、英語の最新版を参照してください。

一般化加法モデル

バイナリ分類用の一変量および二変量形状関数から構成される解釈可能なモデル

fitcgam を使用して、バイナリ分類用の一般化加法モデルをあてはめます。

一般化加法モデル (GAM) は、予測子の一変量および二変量形状関数の和を使用してクラス スコア (クラス確率のロジット) を説明する解釈可能なモデルです。fitcgam では、各予測子および必要に応じて予測子の各ペアの形状関数としてブースティング木を使用するため、予測子と応答変数の間の非線形関係を取得できます。予測 (分類スコア) に対する個々の形状関数の寄与が十分に分離されるため、このモデルは解釈が容易です。

オブジェクト

ClassificationGAMバイナリ分類用の一般化加法モデル (GAM)
CompactClassificationGAMバイナリ分類用のコンパクトな一般化加法モデル (GAM)
ClassificationPartitionedGAM分類用の交差検証済みの一般化加法モデル (GAM)

関数

すべて展開する

fitcgamバイナリ分類用の一般化加法モデル (GAM) の当てはめ
compact機械学習モデルのサイズの縮小
crossval機械学習モデルの交差検証
addInteractions一変量の一般化加法モデル (GAM) への交互作用項の追加
resume一般化加法モデル (GAM) の学習の再開
limeLocal Interpretable Model-agnostic Explanations (LIME)
partialDependence部分従属の計算
plotLocalEffects一般化加法モデル (GAM) 内の項の局所的効果のプロット
plotPartialDependence部分依存プロット (PDP) および個別条件付き期待値 (ICE) プロットの作成
shapleyシャープレイ値
predict一般化加法モデル (GAM) を使用した観測値の分類
loss一般化加法モデル (GAM) の分類損失
margin一般化加法モデル (GAM) の分類マージン
edge一般化加法モデル (GAM) の分類エッジ
resubPredict学習済み分類器を使用した学習データの分類
resubLoss再代入分類損失
resubMargin再代入分類マージン
resubEdge再代入分類エッジ
kfoldPredict交差検証済み分類モデルの観測値の分類
kfoldLoss交差検証済み分類モデルの分類損失
kfoldMargin交差検証済み分類モデルの分類マージン
kfoldEdge交差検証済み分類モデルの分類エッジ
kfoldfun分類での関数の交差検証
compareHoldout新しいデータを使用して 2 つの分類モデルの精度を比較
testckfold交差検証の反復により 2 つの分類モデルの精度を比較

トピック

バイナリ分類用の一般化加法モデルの学習

最適なパラメーターで一般化加法モデル (GAM) に学習させて、予測性能を評価し、学習済みモデルを解釈する。