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

回帰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

fitrgam を使用して、回帰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応答変数を説明する解釈可能なモデルです。fitrgam 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 (応答値) 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

RegressionGAM回帰用の一般化加法モデル (GAM)
CompactRegressionGAM回帰用のコンパクトな一般化加法モデル (GAM)
RegressionPartitionedGAM回帰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

fitrgam回帰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) の使用による応答の予測
loss一般化加法モデル (GAM) の回帰損失
resubPredict学習済み回帰モデルを使用した学習データについての応答の予測
resubLoss再代入回帰損失
kfoldPredict交差検証済み回帰モデル内の観測値に対する応答の予測
kfoldLoss交差検証された分割済みの回帰モデルの損失
kfoldfun回帰での関数の交差検証

トピック

回帰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。