广义相加模型 高斯：修订间差异

来自决策链云智库
（创建页面，内容为“{{Infobox nodebasic|nodename=广义相加模型_高斯|nodeimage=Generalized Additive Model_Gaussian.png|developer=Dev.Team-DPS|productionstate=PC可用|productionstatedesc=在 V1.0部署|nodeenglishname=Has english name::Generalized Additive Model_Gaussian|abbreviation=GAM_Gaussian|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…”）
 
无编辑摘要
第1行： 第1行：
{{Infobox nodebasic|nodename=广义相加模型_高斯|nodeimage=Generalized Additive Model_Gaussian.png|developer=Dev.Team-DPS|productionstate=PC可用|productionstatedesc=在[[DecisionTree | V1.0]]部署|nodeenglishname=[[Has english name::Generalized Additive Model_Gaussian]]|abbreviation=GAM_Gaussian|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。高斯分布又名正态分布, 这里属于一种线性回归, 是一种研究影响关系的方法，利用称为线性回归方程的最小平方函数对一个或多个自变量和因变量之间关系进行建模的一种回归分析。在线性回归中,数据使用线性预测函数来建模,并且未知的模型参数也是通过数据来估计。\n用途：处理预测变量和响应变量之间复杂非线性关系的统计模型，用于复杂的连续响应变量问题，需要对数据进行适当的平滑处理。\n参数：选择连续型高斯分布因变量，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_高斯_Plus|previousnode=[[广义线性回归_伽玛]]|nextnode=[[广义相加模型_逻辑]]}}{{Navplate AlgorithmNodeList}}[[Category:回归分析]]
{{Infobox nodebasic  
|nodename=广义相加模型_高斯
|nodeimage=Generalized Additive Model_Gaussian.png
|developer=Dev.Team-DPS
|productionstate=PC可用
|productionstatedesc=在[[DecisionLinnc | V1.0]]部署
|nodeenglishname=[[Has english name::Generalized Additive Model_Gaussian]]
|abbreviation=[[Has abbreviation::GAM_Gaussian]]
|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>高斯分布又名正态分布, 这里属于一种线性回归, 是一种研究影响关系的方法，利用称为线性回归方程的最小平方函数对一个或多个自变量和因变量之间关系进行建模的一种回归分析。在线性回归中,数据使用线性预测函数来建模,并且未知的模型参数也是通过数据来估计。</p><p>用途：处理预测变量和响应变量之间复杂非线性关系的统计模型，用于复杂的连续响应变量问题，需要对数据进行适当的平滑处理。</p><p>参数：选择连续型高斯分布因变量，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_高斯
|previousnode=[[广义线性回归_伽玛]]
|nextnode=[[广义相加模型_高斯]]
}}
 
 
{{Navplate AlgorithmNodeList}}
 
[[Category:回归分析]]

2023年12月4日 (一) 22:06的版本

Generalized Additive Model Gaussian.png
节点状态
PC可用
在 V1.0部署
广义相加模型_高斯
节点开发者决策链算法研发部 (Dev.Team-DPS)
节点英文名广义相加模型 高斯
功能主类别数据分析
英文缩写GAM_Gaussian
功能亚类别回归分析
节点类型数据挖掘
开发语言R
节点简介

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。

高斯分布又名正态分布, 这里属于一种线性回归, 是一种研究影响关系的方法，利用称为线性回归方程的最小平方函数对一个或多个自变量和因变量之间关系进行建模的一种回归分析。在线性回归中,数据使用线性预测函数来建模,并且未知的模型参数也是通过数据来估计。

用途：处理预测变量和响应变量之间复杂非线性关系的统计模型，用于复杂的连续响应变量问题，需要对数据进行适当的平滑处理。

参数：选择连续型高斯分布因变量，数值型曲线拟合变量，和自变量

端口数量与逻辑控制(PC)
Input-入口5个
Output-出口2个
Loop-支持循环是
If/Switch-支持逻辑判断否
输入输出
可生成图片类型（推荐）
可生成数据表类型（推荐）
相关节点
上一节点广义线性回归_伽玛
下一节点广义相加模型_高斯
WikimediaUI-Globe.svg相关网站



属性“Nodeicon”（作为页面类型）与输入值“File:”包含无效字符或不完整，并因此在查询或注释过程期间导致意外结果。


查找其他类别的节点，请参考以下列表

取自“https://wiki.statsape.com/index.php?title=广义相加模型_高斯&oldid=2442”
最近修改
此页面最后编辑于2023年12月4日 (星期一) 22:06。
版权
DecisionLinnc Wiki (决策链云智库) © 2024 by Statsape is licensed under Attribution-NonCommercial-ShareAlike 4.0 International. To view a copy of this license, visit [http://creativecommons.org/licenses/by-nc-sa/4.0/| CreativeCommons-Licenses-4.0].