La traducción de esta página aún no se ha actualizado a la versión más reciente. Haga clic aquí para ver la última versión en inglés.

Modelo aditivo generalizado

Modelo interpretable compuesto por funciones de forma univariadas y bivariadas para clasificación binaria

Utilice fitcgam para ajustar un modelo aditivo generalizado para clasificación binaria.

Un modelo aditivo generalizado (MAG) es un modelo interpretable que explica las puntuaciones de la clase (el logit de las probabilidades de la clase) mediante una suma de funciones de forma univariadas y bivariadas de los predictores. fitcgam utiliza un árbol potenciado como función de forma para cada predictor y, de forma opcional, cada par de predictores; por tanto, la función puede obtener una relación no lineal entre un predictor y la variable de respuesta. Puesto que las contribuciones de cada una de las funciones de forma a la predicción (puntuación de clasificación) están bien separadas, el modelo es fácil de interpretar.

Objetos

`ClassificationGAM`	Generalized additive model (GAM) for binary classification (desde R2021a)
`CompactClassificationGAM`	Compact generalized additive model (GAM) for binary classification (desde R2021a)
`ClassificationPartitionedGAM`	Cross-validated generalized additive model (GAM) for classification (desde R2021a)

Funciones

expandir todo

Crear un objeto MAG

`fitcgam`	Fit generalized additive model (GAM) for binary classification (desde R2021a)
`compact`	Reduce size of machine learning model
`crossval`	Cross-validate machine learning model
`templateGAM`	Generalized additive model (GAM) learner template (desde R2023b)

Actualizar un MAG

`addInteractions`	Add interaction terms to univariate generalized additive model (GAM) (desde R2021a)
`resume`	Resume training of generalized additive model (GAM) (desde R2021a)

Interpretar una predicción

`lime`	Local interpretable model-agnostic explanations (LIME) (desde R2020b)
`partialDependence`	Compute partial dependence (desde R2020b)
`plotLocalEffects`	Plot local effects of terms in generalized additive model (GAM) (desde R2021a)
`plotPartialDependence`	Create partial dependence plot (PDP) and individual conditional expectation (ICE) plots
`shapley`	Shapley values (desde R2021a)

Evaluar la capacidad predictiva en las nuevas observaciones

`predict`	Classify observations using generalized additive model (GAM) (desde R2021a)
`loss`	Classification loss for generalized additive model (GAM) (desde R2021a)
`margin`	Classification margins for generalized additive model (GAM) (desde R2021a)
`edge`	Classification edge for generalized additive model (GAM) (desde R2021a)

Evaluar la capacidad predictiva en los datos de entrenamiento

`resubPredict`	Classify training data using trained classifier
`resubLoss`	Resubstitution classification loss
`resubMargin`	Resubstitution classification margin
`resubEdge`	Resubstitution classification edge

Evaluar la capacidad predictiva en los datos con validación cruzada

`kfoldPredict`	Classify observations in cross-validated classification model
`kfoldLoss`	Classification loss for cross-validated classification model
`kfoldMargin`	Classification margins for cross-validated classification model
`kfoldEdge`	Classification edge for cross-validated classification model
`kfoldfun`	Cross-validate function for classification

Comparar precisiones

`compareHoldout`	Compare accuracies of two classification models using new data
`testckfold`	Compare accuracies of two classification models by repeated cross-validation

Temas

Train Generalized Additive Model for Binary Classification
Train a generalized additive model (GAM) with optimal parameters, assess predictive performance, and interpret the trained model.