Contenu principal

La traduction de cette page n'est pas à jour. Cliquez ici pour voir la dernière version en anglais.

Modèle additif généralisé

R2026a
Modèle interprétable composé de fonctions de forme univariées et bivariées pour la régression

Utilisez fitrgam afin d’ajuster un modèle additif généralisé pour la régression.

Un modèle additif généralisé (GAM) est un modèle interprétable qui explique une variable de réponse à l’aide d’une somme de fonctions de forme univariées et bivariées correspondant aux prédicteurs. fitrgam utilise un arbre avec boosting comme fonction de forme pour chaque prédicteur et éventuellement chaque paire de prédicteurs. Par conséquent, la fonction peut capturer une relation non linéaire entre un prédicteur et la variable de réponse. Comme les contributions de chaque fonction de forme à la prédiction (valeur de réponse) sont nettement séparées, le modèle est facile à interpréter.

Objets

RegressionGAMGeneralized additive model (GAM) for regression
CompactRegressionGAMCompact generalized additive model (GAM) for regression
RegressionPartitionedGAMCross-validated generalized additive model (GAM) for regression
RegressionChainEnsembleMultiresponse regression model (depuis R2024b)
CompactRegressionChainEnsembleCompact multiresponse regression model (depuis R2024b)

Fonctions

développer tout

fitrgamFit generalized additive model (GAM) for regression
compactReduce size of machine learning model
crossvalCross-validate machine learning model
templateGAMGeneralized additive model (GAM) learner template (depuis R2023b)
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
permutationImportancePredictor importance by permutation (depuis R2024a)
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
fitrchainsMultiresponse regression with regression chains (depuis R2024b)
compactReduce size of multiresponse regression model (depuis R2024b)
lossLoss for multiresponse regression model (depuis R2024b)
predictPredict responses using multiresponse regression model (depuis R2024b)

Rubriques