Lasso回归 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=Lasso回归_高斯|nodeimage=Lasso Regression_Gaussian.png|developer=Dev.Team-DPS|productionstate=PC可用|productionstatedesc=在 V1.0部署|nodeenglishname=Has english name::Lasso Regression_Gaussian|abbreviation=LASSO_Gaussian|funcmaincategory=数据分析|funcsubcategory=DataAGM Lv1 Cat::回归分析|nodecategory=数据挖掘|nodeinterpretor=R|nodeshortdescription=<p>LASSO回归是对回归算法正则…”）
 
无编辑摘要
第1行： 第1行：
{{Infobox nodebasic|nodename=Lasso回归_高斯|nodeimage=Lasso Regression_Gaussian.png|developer=Dev.Team-DPS|productionstate=PC可用|productionstatedesc=在[[DecisionTree | V1.0]]部署|nodeenglishname=[[Has english name::Lasso Regression_Gaussian]]|abbreviation=LASSO_Gaussian|funcmaincategory=数据分析|funcsubcategory=[[DataAGM Lv1 Cat::回归分析]]|nodecategory=数据挖掘|nodeinterpretor=R|nodeshortdescription=<p>LASSO回归是对回归算法正则化的一个例子。正则化是一种方法,它通过增加额外参数来解决过拟合问题,从而减少模型的参数,限制复杂度。LASSO方法对于筛选解释性较高的变量,处理高维数据和解决多重共线性问题具有强大的优势。该方法是在模型估计中增加了惩罚项,所有参数绝对值之和。能将一些不必要变量的回归系数压缩为零进而从模型中剔除,达到变量筛选的目的。高斯Lasso回归则是针对多元线性回归来做Lasso回归，因变量预测y应当是符合高斯分布(正态分布)。\n用途：有效的线性特征选择，只保留那些对目标变量影响最大的预测变量。预测基于一组预测变量的目标变量值。\n参数：选择高斯分布因变量，连续型数值自变量</p>|nodeinputnumber=4|nodeoutputnumber=3|nodeloopsupport=是|nodeifswitchsupport=否|nodeavailableplotlist=LinePlot;PointErrorLinePlot|nodeavailabletablelist=Table_For_Downstream|nodeconfiguration=VariableList;Text|nodeinputports=WorkFlow-Control ▶;Transfer-Table ■|nodeoutputports=WorkFlow-Control ▶;Transfer-Table ■|statsapewikiurl=https://wiki.statsape.com/Lasso回归_高斯_Plus|previousnode=[[Lasso回归_生存状态]]|nextnode=[[Lasso回归_泊松]]}}{{Navplate AlgorithmNodeList}}[[Category:回归分析]]
{{Infobox nodebasic  
|nodename=Lasso回归_高斯
|nodeimage=Lasso Regression_Gaussian.png
|developer=Dev.Team-DPS
|productionstate=PC可用
|productionstatedesc=在[[DecisionLinnc | V1.0]]部署
|nodeenglishname=[[Has english name::Lasso Regression_Gaussian]]
|abbreviation=[[Has abbreviation::LASSO_Gaussian]]
|funcmaincategory=数据分析
|funcsubcategory=[[DataAGM Lv1 Cat::回归分析]]
|nodecategory=数据挖掘
|nodeinterpretor=R
|nodeshortdescription=<p>LASSO回归是对回归算法正则化的一个例子。正则化是一种方法,它通过增加额外参数来解决过拟合问题,从而减少模型的参数,限制复杂度。LASSO方法对于筛选解释性较高的变量,处理高维数据和解决多重共线性问题具有强大的优势。该方法是在模型估计中增加了惩罚项,所有参数绝对值之和。能将一些不必要变量的回归系数压缩为零进而从模型中剔除,达到变量筛选的目的。</p><p>高斯Lasso回归则是针对多元线性回归来做Lasso回归，因变量预测y应当是符合高斯分布(正态分布)。</p><p>用途：有效的线性特征选择，只保留那些对目标变量影响最大的预测变量。预测基于一组预测变量的目标变量值。</p><p>参数：选择高斯分布因变量，连续型数值自变量</p>
|nodeinputnumber=4
|nodeoutputnumber=3
|nodeloopsupport=是
|nodeifswitchsupport=否
|nodeavailableplotlist=LinePlot;PointErrorLinePlot
|nodeavailabletablelist=Table_For_Downstream
|nodeconfiguration=VariableList;Text
|nodeinputports=WorkFlow-Control ▶;Transfer-Table ■
|nodeoutputports=WorkFlow-Control ▶;Transfer-Table ■
|statsapewikiurl=https://wiki.statsape.com/Lasso回归_高斯
|previousnode=[[Lasso回归_生存状态]]
|nextnode=[[Lasso回归_高斯]]
}}
 
 
{{Navplate AlgorithmNodeList}}
 
[[Category:回归分析]]

2023年12月4日 (一) 22:07的版本

Lasso Regression Gaussian.png
节点状态
PC可用
在 V1.0部署
Lasso回归_高斯
节点开发者决策链算法研发部 (Dev.Team-DPS)
节点英文名Lasso回归 高斯
功能主类别数据分析
英文缩写LASSO_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

LASSO回归是对回归算法正则化的一个例子。正则化是一种方法,它通过增加额外参数来解决过拟合问题,从而减少模型的参数,限制复杂度。LASSO方法对于筛选解释性较高的变量,处理高维数据和解决多重共线性问题具有强大的优势。该方法是在模型估计中增加了惩罚项,所有参数绝对值之和。能将一些不必要变量的回归系数压缩为零进而从模型中剔除,达到变量筛选的目的。

高斯Lasso回归则是针对多元线性回归来做Lasso回归，因变量预测y应当是符合高斯分布(正态分布)。

用途：有效的线性特征选择，只保留那些对目标变量影响最大的预测变量。预测基于一组预测变量的目标变量值。

参数：选择高斯分布因变量，连续型数值自变量

端口数量与逻辑控制(PC)
Input-入口4个
Output-出口3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Lasso回归_生存状态
下一节点Lasso回归_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=Lasso回归_高斯&oldid=2452”
最近修改
此页面最后编辑于2023年12月4日 (星期一) 22:07。
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].