Main Content

이 번역 페이지는 최신 내용을 담고 있지 않습니다. 최신 내용을 영문으로 보려면 여기를 클릭하십시오.

일반화 가산 모델

회귀를 위해 일변량과 이변량 형태 함수로 구성된 해석 가능한 모델

회귀용 일반화 가산 모델을 피팅하기 위해 fitrgam을 사용합니다.

일반화된 가산 모델(GAM)은 해석 가능한 모델로, 예측 변수의 일변량과 이변량 형태 함수의 합을 사용하여 응답 변수를 설명합니다. fitrgam은 각 예측 변수 및 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(응답 변수값)가 잘 분리되어 있으므로 모델을 쉽게 해석할 수 있습니다.

객체

RegressionGAMGeneralized additive model (GAM) for regression
CompactRegressionGAMCompact generalized additive model (GAM) for regression
RegressionPartitionedGAMCross-validated generalized additive model (GAM) for regression

함수

모두 확장

fitrgamFit generalized additive model (GAM) for regression
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
predictPredict responses using generalized additive model (GAM)
lossRegression loss for generalized additive model (GAM)
resubPredictPredict responses for training data using trained regression model
resubLossResubstitution regression loss
kfoldPredictPredict responses for observations in cross-validated regression model
kfoldLossLoss for cross-validated partitioned regression model
kfoldfunCross-validate function for regression

도움말 항목

Train Generalized Additive Model for Regression

Train a generalized additive model (GAM) with optimal parameters, assess predictive performance, and interpret the trained model.