일반화 가산 모델
이진 분류를 위해 일변량과 이변량 형태 함수로 구성된 해석 가능한 모델
이진 분류를 위한 일반화 가산 모델을 피팅하기 위해 fitcgam
을 사용합니다.
일반화된 가산 모델(GAM)은 해석 가능한 모델로, 예측 변수의 일변량과 이변량 형태 함수의 합을 사용하여 클래스 점수(클래스 확률의 로짓)를 설명합니다. fitcgam
은 각 예측 변수와 예측 변수의 각 쌍(선택사항)에 대해 형태 함수로 부스팅 트리를 사용하므로 함수는 예측 변수와 응답 변수 사이의 비선형 관계를 캡처할 수 있습니다. 예측 변수에 대한 개별 형태 함수의 기여(분류 점수)가 잘 분리되어 있으므로 모델을 쉽게 해석할 수 있습니다.
객체
ClassificationGAM | Generalized additive model (GAM) for binary classification (R2021a 이후) |
CompactClassificationGAM | Compact generalized additive model (GAM) for binary classification (R2021a 이후) |
ClassificationPartitionedGAM | Cross-validated generalized additive model (GAM) for classification (R2021a 이후) |
함수
도움말 항목
- Train Generalized Additive Model for Binary Classification
Train a generalized additive model (GAM) with optimal parameters, assess predictive performance, and interpret the trained model.