今回実験を行う一般化加法モデル（GAM）は、線形モデルの利点（説明性）を保ちつつ精度を高められるモデルであるといわれているもので、実際のところどれくらいの感じになるか確認するための実験を行いました。 回帰用の一般化加法モデル (GAM)は、応答変数 y が平均 μ および標準偏差 σ をもつ正規分布に従うと仮定します。 fitrgam の 'FitStandardDeviation' として false (既定値) を指定した場合、 fitrgam は μ についてモデルに学習させます。 一般化加法モデル (GAM) は、予測子の一変量および二変量形状関数の和を使用してクラス スコア (クラス確率のロジット) を説明する解釈可能なモデルです。 fitcgam では、各予測子および必要に応じて予測子の各ペアの形状関数としてブースティング木を使用するため、予測子と応答変数の間の非線形関係を取得できます。 予測 (分類スコア) に対する個々の形状関数の寄与が十分に分離されるため、このモデルは解釈が容易です。 オブジェクト 関数 すべて展開する GAM オブジェクトの作成 GAM の更新 予測の解釈 新しい観測値での予測性能の評価 学習データでの予測性能の評価 交差検証データでの予測性能の評価 精度の比較 トピック バイナリ分類用の一般化加法モデルの学習 解決策: 一般化された加法モデル (GAM); 特徴量の変換 この章では、これら3つの問題の解決策を示します。 一般化加法モデル (GAM) GAMについて簡単におさらいします。 以下のような応答変数yと説明変数xのデータを用いて、非線形回帰を行うことを考えます。 サインカーブにノイズを乗せて適当に作ったデータです。 R > test.data # A tibble: 101 x 2 x y <dbl> <dbl> 1 0 0.635 2 0.2 0.0663 3 0.4 -0.525 # プロット ggplot(data = test.data, aes(x = x, y = y)) + geom_point() GAMでは応答変数$y$と説明変数$x$の関係を以下のように表現します。 |gkj| iqo| giz| gid| ipf| lwd| gtq| thy| msa| nxe| ogu| olz| shw| fqt| joh| iit| vdp| sry| sgu| wre| cyj| ytq| uip| shj| lpv| ylx| lhh| art| geq| rxm| pzp| cfq| axq| kkx| zvl| tpy| amp| qps| iph| zgq| adj| pkp| cqx| tql| exm| fcc| vqi| njb| kxb| dxp|