广义相加模型逻辑 - 版本历史

2024年1月19日 (五) 11:09 Zeroclanzhang

2024-01-19T11:09:51Z

←上一版本		2024年1月19日 (五) 19:09的版本
第7行：		第7行：
	\|productionstate={{图标文件\|Win}} / {{图标文件\|W10}} Win10及以上可用		\|productionstate={{图标文件\|Win}} / {{图标文件\|W10}} Win10及以上可用
	\|productionstatedesc=在[[Update:DecisionLinnc 1.0.0.8\|V1.0]]部署		\|productionstatedesc=在[[Update:DecisionLinnc 1.0.0.8\|V1.0]]部署
	\|nodeenglishname=~~[[Has english name::~~Generalized Additive Model_Logistic]]		\|nodeenglishname=Generalized Additive Model_Logistic
	\|abbreviation=~~[[Has abbreviation::~~GAMLogistic]]		\|abbreviation=GAMLogistic
	\|funcmaincategory=数据分析		\|funcmaincategory=数据分析
	\|funcsubcategory=[[DataAGM Lv1 Cat::回归分析]]		\|funcsubcategory=[[DataAGM Lv1 Cat::回归分析]]

2024年1月18日 (四) 09:40 Zeroclanzhang

2024-01-18T09:40:41Z

←上一版本		2024年1月18日 (四) 17:40的版本
第5行：		第5行：
	\|simpleicon=Generalized Additive Model_Logistic_Pure.svg		\|simpleicon=Generalized Additive Model_Logistic_Pure.svg
	\|developer=Dev.Team-DPS		\|developer=Dev.Team-DPS
	\|productionstate=~~PC可用~~		\|productionstate={{图标文件\|Win}} / {{图标文件\|W10}} Win10及以上可用
	\|productionstatedesc=在[[DecisionLinnc \| V1.0]]部署		\|productionstatedesc=在[[Update:DecisionLinnc 1.0.0.8\|V1.0]]部署
	\|nodeenglishname=[[Has english name::Generalized Additive Model_Logistic]]		\|nodeenglishname=[[Has english name::Generalized Additive Model_Logistic]]
	\|abbreviation=[[Has abbreviation::~~GAM_Logistic~~]]		\|abbreviation=[[Has abbreviation::GAMLogistic]]
	\|funcmaincategory=数据分析		\|funcmaincategory=数据分析
	\|funcsubcategory=[[DataAGM Lv1 Cat::回归分析]]		\|funcsubcategory=[[DataAGM Lv1 Cat::回归分析]]
第19行：		第19行：
	\|nodeifswitchsupport=否		\|nodeifswitchsupport=否
	\|nodeavailableplotlist=FR_Curve_Plot;RegressionCoefficientPlot		\|nodeavailableplotlist=FR_Curve_Plot;RegressionCoefficientPlot
	\|nodeavailabletablelist=~~Table_For_Downstream~~		\|nodeavailabletablelist=Coeff-Value;SE;t-Value;P-Value;CI;R-Square;edf;Chi-Square
	\|nodeconfiguration=VariableList		\|nodeconfiguration=VariableList
	\|nodeinputports=WorkFlow-Control ➤;Transfer-Variable ◆;Transfer-Table ■		\|nodeinputports=WorkFlow-Control ➤;Transfer-Variable ◆;Transfer-Table ■
第25行：		第25行：
	\|statsapewikiurl=https://wiki.statsape.com/广义相加模型_逻辑		\|statsapewikiurl=https://wiki.statsape.com/广义相加模型_逻辑
	\|previousnode=[[广义相加模型_高斯]]		\|previousnode=[[广义相加模型_高斯]]
	\|nextnode=[[~~广义估计方程_高斯~~]]		\|nextnode=[[广义相加模型_伽玛]]
	}}		}}

2023年12月8日 (五) 06:07 Zeroclanzhang

2023-12-08T06:07:00Z

←上一版本		2023年12月8日 (五) 14:07的版本
第21行：		第21行：
	\|nodeavailabletablelist=Table_For_Downstream		\|nodeavailabletablelist=Table_For_Downstream
	\|nodeconfiguration=VariableList		\|nodeconfiguration=VariableList
	\|nodeinputports=WorkFlow-Control 🠊;Transfer-Variable ◆;Transfer-Table ■		\|nodeinputports=WorkFlow-Control ➤;Transfer-Variable ◆;Transfer-Table ■
	\|nodeoutputports=WorkFlow-Control 🠊;Transfer-Table ■		\|nodeoutputports=WorkFlow-Control ➤;Transfer-Table ■
	\|statsapewikiurl=https://wiki.statsape.com/广义相加模型_逻辑		\|statsapewikiurl=https://wiki.statsape.com/广义相加模型_逻辑
	\|previousnode=[[广义相加模型_高斯]]		\|previousnode=[[广义相加模型_高斯]]

2023年12月8日 (五) 04:14 Zeroclanzhang

2023-12-08T04:14:21Z

←上一版本		2023年12月8日 (五) 12:14的版本
第21行：		第21行：
	\|nodeavailabletablelist=Table_For_Downstream		\|nodeavailabletablelist=Table_For_Downstream
	\|nodeconfiguration=VariableList		\|nodeconfiguration=VariableList
	\|nodeinputports=WorkFlow-Control 🠶;Transfer-Variable ◆;Transfer-Table ■		\|nodeinputports=WorkFlow-Control 🠊;Transfer-Variable ◆;Transfer-Table ■
	\|nodeoutputports=WorkFlow-Control 🠶;Transfer-Table ■		\|nodeoutputports=WorkFlow-Control 🠊;Transfer-Table ■
	\|statsapewikiurl=https://wiki.statsape.com/广义相加模型_逻辑		\|statsapewikiurl=https://wiki.statsape.com/广义相加模型_逻辑
	\|previousnode=[[广义相加模型_高斯]]		\|previousnode=[[广义相加模型_高斯]]

2023年12月8日 (五) 02:50 Zeroclanzhang

2023-12-08T02:50:26Z

←上一版本		2023年12月8日 (五) 10:50的版本
第2行：		第2行：
	\|nodename=广义相加模型_逻辑		\|nodename=广义相加模型_逻辑
	\|nodeimage=Generalized Additive Model_Logistic.png		\|nodeimage=Generalized Additive Model_Logistic.png
			\|icon=Generalized Additive Model_Logistic.svg
			\|simpleicon=Generalized Additive Model_Logistic_Pure.svg
	\|developer=Dev.Team-DPS		\|developer=Dev.Team-DPS
	\|productionstate=PC可用		\|productionstate=PC可用
第19行：		第21行：
	\|nodeavailabletablelist=Table_For_Downstream		\|nodeavailabletablelist=Table_For_Downstream
	\|nodeconfiguration=VariableList		\|nodeconfiguration=VariableList
	\|nodeinputports=WorkFlow-Control ▶;Transfer-Table ■		\|nodeinputports=WorkFlow-Control 🠶;Transfer-Variable ◆;Transfer-Table ■
	\|nodeoutputports=WorkFlow-Control ▶;Transfer-Table ■		\|nodeoutputports=WorkFlow-Control 🠶;Transfer-Table ■
	\|statsapewikiurl=https://wiki.statsape.com/广义相加模型_逻辑		\|statsapewikiurl=https://wiki.statsape.com/广义相加模型_逻辑
	\|previousnode=[[广义相加模型_高斯]]		\|previousnode=[[广义相加模型_高斯]]
	\|nextnode=[[广义估计方程_高斯]]		\|nextnode=[[广义估计方程_高斯]]
	}}		}}

2023年12月4日 (一) 14:45 Zeroclanzhang

2023-12-04T14:45:08Z

←上一版本		2023年12月4日 (一) 22:45的版本
第23行：		第23行：
	\|statsapewikiurl=https://wiki.statsape.com/广义相加模型_逻辑		\|statsapewikiurl=https://wiki.statsape.com/广义相加模型_逻辑
	\|previousnode=[[广义相加模型_高斯]]		\|previousnode=[[广义相加模型_高斯]]
	\|nextnode=[[~~广义相加模型_逻辑~~]]		\|nextnode=[[广义估计方程_高斯]]
	}}		}}

2023年12月4日 (一) 14:06 Zeroclanzhang

2023-12-04T14:06:16Z

←上一版本		2023年12月4日 (一) 22:06的版本
第1行：		第1行：
	{{Infobox nodebasic\|nodename=广义相加模型_逻辑\|nodeimage=Generalized Additive Model_Logistic.png\|developer=Dev.Team-DPS\|productionstate=PC可用\|productionstatedesc=在[[~~DecisionTree~~ \| V1.0]]部署\|nodeenglishname=[[Has english name::Generalized Additive Model_Logistic]]\|abbreviation=GAM_Logistic\|funcmaincategory=数据分析\|funcsubcategory=[[DataAGM Lv1 Cat::回归分析]]\|nodecategory=数据挖掘\|nodeinterpretor=R\|nodeshortdescription=<p>广义相加模型是一种自由灵活的统计模型,它可以用来探测到非线性回归的影响。允许在未知因变量与自变量之间关系的情况下，使用非线性平滑项来拟合模型。非参数平滑项是把自变量划分成多个连续的区间，每一个区间都用单独的线性函数或非线性的低阶多项式函数来拟合。其生成的回归线为平稳、光滑的曲线。逻辑回归是一种用于解决二分类(0或1)问题的机器学习方法，用于估计某种事物的可能性。原理是用逻辑函数把线性回归的结果映射到(0,1),该模型中的参数或系数通常通过最大似然估计方法进行估算。\n用途：用于处理预测变量和响应变量之间复杂的非线性关系，处理各种复杂的二分类问题。\n参数：选择二分类因变量，数值型曲线拟合变量，和自变量</p>\|nodeinputnumber=5\|nodeoutputnumber=2\|nodeloopsupport=是\|nodeifswitchsupport=否\|nodeavailableplotlist=FR_Curve_Plot;RegressionCoefficientPlot\|nodeavailabletablelist=Table_For_Downstream\|nodeconfiguration=VariableList\|nodeinputports=WorkFlow-Control ▶;Transfer-Table ■\|nodeoutputports=WorkFlow-Control ▶;Transfer-Table ■\|statsapewikiurl=https://wiki.statsape.com/~~广义相加模型_逻辑_Plus~~\|previousnode=[[广义相加模型_高斯]]\|nextnode=[[~~广义估计方程_高斯~~]]}}{{Navplate AlgorithmNodeList}}[[Category:回归分析]]		{{Infobox nodebasic
			\|nodename=广义相加模型_逻辑
			\|nodeimage=Generalized Additive Model_Logistic.png
			\|developer=Dev.Team-DPS
			\|productionstate=PC可用
			\|productionstatedesc=在[[DecisionLinnc \| V1.0]]部署
			\|nodeenglishname=[[Has english name::Generalized Additive Model_Logistic]]
			\|abbreviation=[[Has abbreviation::GAM_Logistic]]
			\|funcmaincategory=数据分析
			\|funcsubcategory=[[DataAGM Lv1 Cat::回归分析]]
			\|nodecategory=数据挖掘
			\|nodeinterpretor=R
			\|nodeshortdescription=<p>广义相加模型是一种自由灵活的统计模型,它可以用来探测到非线性回归的影响。允许在未知因变量与自变量之间关系的情况下，使用非线性平滑项来拟合模型。非参数平滑项是把自变量划分成多个连续的区间，每一个区间都用单独的线性函数或非线性的低阶多项式函数来拟合。其生成的回归线为平稳、光滑的曲线。</p><p>逻辑回归是一种用于解决二分类(0或1)问题的机器学习方法，用于估计某种事物的可能性。原理是用逻辑函数把线性回归的结果映射到(0,1),该模型中的参数或系数通常通过最大似然估计方法进行估算。</p><p>用途：用于处理预测变量和响应变量之间复杂的非线性关系，处理各种复杂的二分类问题。</p><p>参数：选择二分类因变量，数值型曲线拟合变量，和自变量</p>
			\|nodeinputnumber=5
			\|nodeoutputnumber=2
			\|nodeloopsupport=是
			\|nodeifswitchsupport=否
			\|nodeavailableplotlist=FR_Curve_Plot;RegressionCoefficientPlot
			\|nodeavailabletablelist=Table_For_Downstream
			\|nodeconfiguration=VariableList
			\|nodeinputports=WorkFlow-Control ▶;Transfer-Table ■
			\|nodeoutputports=WorkFlow-Control ▶;Transfer-Table ■
			\|statsapewikiurl=https://wiki.statsape.com/广义相加模型_逻辑
			\|previousnode=[[广义相加模型_高斯]]
			\|nextnode=[[广义相加模型_逻辑]]
			}}


			{{Navplate AlgorithmNodeList}}

			[[Category:回归分析]]

Zeroclanzhang：创建页面，内容为“{{Infobox nodebasic|nodename=广义相加模型_逻辑|nodeimage=Generalized Additive Model_Logistic.png|developer=Dev.Team-DPS|productionstate=PC可用|productionstatedesc=在 V1.0部署|nodeenglishname=Has english name::Generalized Additive Model_Logistic|abbreviation=GAM_Logistic|funcmaincategory=数据分析|funcsubcategory=DataAGM Lv1 Cat::回归分析|nodecategory=数据挖掘|nodeinterpretor=R|nodeshortdescription=
广义相…”

2023-12-02T14:29:49Z

创建页面，内容为“{{Infobox nodebasic|nodename=广义相加模型_逻辑|nodeimage=Generalized Additive Model_Logistic.png|developer=Dev.Team-DPS|productionstate=PC可用|productionstatedesc=在 V1.0部署|nodeenglishname=Has english name::Generalized Additive Model_Logistic|abbreviation=GAM_Logistic|funcmaincategory=数据分析|funcsubcategory=DataAGM Lv1 Cat::回归分析|nodecategory=数据挖掘|nodeinterpretor=R|nodeshortdescription=<p>广义相…”

新页面

{{Infobox nodebasic|nodename=广义相加模型_逻辑|nodeimage=Generalized Additive Model_Logistic.png|developer=Dev.Team-DPS|productionstate=PC可用|productionstatedesc=在[[DecisionTree | V1.0]]部署|nodeenglishname=[[Has english name::Generalized Additive Model_Logistic]]|abbreviation=GAM_Logistic|funcmaincategory=数据分析|funcsubcategory=[[DataAGM Lv1 Cat::回归分析]]|nodecategory=数据挖掘|nodeinterpretor=R|nodeshortdescription=<p>广义相加模型是一种自由灵活的统计模型,它可以用来探测到非线性回归的影响。允许在未知因变量与自变量之间关系的情况下，使用非线性平滑项来拟合模型。非参数平滑项是把自变量划分成多个连续的区间，每一个区间都用单独的线性函数或非线性的低阶多项式函数来拟合。其生成的回归线为平稳、光滑的曲线。逻辑回归是一种用于解决二分类(0或1)问题的机器学习方法，用于估计某种事物的可能性。原理是用逻辑函数把线性回归的结果映射到(0,1),该模型中的参数或系数通常通过最大似然估计方法进行估算。\n用途：用于处理预测变量和响应变量之间复杂的非线性关系，处理各种复杂的二分类问题。\n参数：选择二分类因变量，数值型曲线拟合变量，和自变量</p>|nodeinputnumber=5|nodeoutputnumber=2|nodeloopsupport=是|nodeifswitchsupport=否|nodeavailableplotlist=FR_Curve_Plot;RegressionCoefficientPlot|nodeavailabletablelist=Table_For_Downstream|nodeconfiguration=VariableList|nodeinputports=WorkFlow-Control ▶;Transfer-Table ■|nodeoutputports=WorkFlow-Control ▶;Transfer-Table ■|statsapewikiurl=https://wiki.statsape.com/广义相加模型_逻辑_Plus|previousnode=[[广义相加模型_高斯]]|nextnode=[[广义估计方程_高斯]]}}{{Navplate AlgorithmNodeList}}[[Category:回归分析]]

广义相加模型 逻辑 - 版本历史