主要内容

广义加性模型

由单变量和双变量形状函数组成的可解释模型用于回归

使用fitrgam拟合回归的广义加性模型。

广义可加性模型(GAM)是一种可解释的模型，它使用预测因子的单变量和双变量形状函数的和来解释响应变量。fitrgam使用增强树作为每个预测器的形状函数，并可选地，每对预测器;因此，该函数可以捕获预测器和响应变量之间的非线性关系。由于各个形状函数对预测(响应值)的贡献被很好地分离，模型易于解释。

对象

RegressionGAM 广义可加性回归模型(GAM)
CompactRegressionGAM 回归的紧凑广义加性模型(GAM)
RegressionPartitionedGAM 交叉验证广义可加性回归模型(GAM)

功能

全部展开

fitrgam 拟合广义加性模型(GAM)进行回归
紧凑的 减小机器学习模型的尺寸
crossval 交叉验证机器学习模型
addInteractions 在单变量广义可加性模型(GAM)中添加交互项
重新开始 广义加法模型(GAM)简历训练
石灰 局部可解释模型不可知解释(LIME)
partialDependence 计算部分依赖关系
plotLocalEffects 广义可加性模型(GAM)中项的局部效应图
plotPartialDependence 创建部分依赖图(PDP)和个别条件期望图(ICE)
沙普利 沙普利值
预测 使用广义加法模型(GAM)预测响应
损失 广义加性模型(GAM)的回归损失
resubPredict 使用训练回归模型预测训练数据的响应
resubLoss 再置换回归损失
kfoldPredict 在交叉验证回归模型中预测观察结果的响应
kfoldLoss 交叉验证分区回归模型的损失
kfoldfun 回归的交叉验证函数

主题

Baidu
map