加载电离层数据集。该数据集有34个预测器和351个雷达返回二进制响应，坏的(“b”)或好(‘g’)．

负载电离层

训练支持向量机分类器。标准化数据并指定‘g’是正类。

SVMModel = fitcsvm (X, Y,“标准化”,真的,“类名”, {“b”，‘g’})；

SVMModel是一个培训ClassificationSVM分类器。

估计再替换边，它是训练样本裕度的平均值。

e = resubEdge (SVMModel)

e = 5.0997

分类器边缘度量分类器边缘的平均值。执行特征选择的一种方法是比较来自多个模型的训练样本边缘。仅根据这个标准，边缘最高的分类器就是最好的分类器。

加载电离层数据集。去掉前两个稳定性预测因子。

负载电离层X = X(:, 3:结束);

定义以下两个数据集:

fullX = X;idx = fscmrmr (X, Y);partX = X (:, idx (1:10));

为每个预测集训练一个朴素贝叶斯分类器。

FullMdl = fitcnb (fullX Y);PartMdl = fitcnb (partX Y);

FullMdl而且PartMdl被训练ClassificationNaiveBayes分类器。

估计每个分类器的训练样本边缘。

fullEdge = resubEdge (FullMdl)

fullEdge = 0.6554

partEdge = resubEdge (PartMdl)

partEdge = 0.7796

在10个最重要的预测因子上训练的分类器的边缘更大。这一结果表明，只使用这些预测因子训练的分类器具有更好的样本内拟合。

通过检查训练样本的边界和边，将具有线性项的广义相加模型(GAM)与同时具有线性项和相互作用项的GAM进行比较。仅根据这种比较，边际和边缘最高的分类器是最好的模型。

加载存储在中的1994年人口普查数据census1994.mat．该数据集由来自美国人口普查局的人口统计数据组成，用来预测一个人的年收入是否超过5万美元。分类任务是根据人们的年龄、劳动阶层、教育程度、婚姻状况、种族等，拟合一个预测工资类别的模型。

负载census1994

census1994包含训练数据集adultdata和测试数据集成人．为了减少本例的运行时间，从adultdata通过使用datasample函数。

rng (“默认”）%的再现性NumSamples = 5 e2;adultdata = datasample (adultdata NumSamples,“替换”、假);

训练一个包含线性项和相互作用项的预测项的GAM。指定包括所有可用的交互术语p-值不大于0.05。

Mdl = fitcgam (adultdata,“工资”，“互动”，“所有”，“MaxPValue”, 0.05)

Mdl = ClassificationGAM PredictorNames: {1x14 cell} ResponseName: 'salary' CategoricalPredictors: [2 4 6 7 8 9 10 14] ClassNames: [<=50K >50K] ScoreTransform: 'logit' Intercept: -28.5594 interaction: [82x2 double] NumObservations: 500 Properties, Methods

Mdl是一个ClassificationGAM模型对象。Mdl包括82个交互项。

估计训练样本的边界和边缘Mdl．

M = resubMargin (Mdl);E = resubEdge (Mdl)

E = 1.0000

估计训练样本的边界和边缘Mdl不包括交互项。

M_nointeractions = resubMargin (Mdl,“IncludeInteractions”、假);E_nointeractions = resubEdge (Mdl,“IncludeInteractions”假)

E_nointeractions = 0.9516

使用框图显示边缘的分布。

箱线图([M M_nointeractions],“标签”, {“线性和交互术语”，“线性条件仅”})标题(“训练样本边际箱形图”）

当你在计算中包含交互项时，所有的再替换边际值Mdl为1，而替换边值(边的平均值)为1。当不包括相互作用项时，边界和边减小Mdl．