Main Content

La traducción de esta página está obsoleta. 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

ClassificationGAMGeneralized additive model (GAM) for binary classification
CompactClassificationGAMCompact generalized additive model (GAM) for binary classification
ClassificationPartitionedGAMCross-validated generalized additive model (GAM) for classification

Funciones

expandir todo

fitcgamFit generalized additive model (GAM) for binary classification
compactReduce size of machine learning model
crossvalCross-validate machine learning model
addInteractionsAdd interaction terms to univariate generalized additive model (GAM)
resumeResume training of generalized additive model (GAM)
limeLocal interpretable model-agnostic explanations (LIME)
partialDependenceCompute partial dependence
plotLocalEffectsPlot local effects of terms in generalized additive model (GAM)
plotPartialDependenceCreate partial dependence plot (PDP) and individual conditional expectation (ICE) plots
shapleyShapley values
predictClassify observations using generalized additive model (GAM)
lossClassification loss for generalized additive model (GAM)
marginClassification margins for generalized additive model (GAM)
edgeClassification edge for generalized additive model (GAM)
resubPredictClassify training data using trained classifier
resubLossResubstitution classification loss
resubMarginResubstitution classification margin
resubEdgeResubstitution classification edge
kfoldPredictClassify observations in cross-validated classification model
kfoldLossClassification loss for cross-validated classification model
kfoldMarginClassification margins for cross-validated classification model
kfoldEdgeClassification edge for cross-validated classification model
kfoldfunCross-validate function for classification
compareHoldoutCompare accuracies of two classification models using new data
testckfoldCompare 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.