可生成数据表类型（推荐）
Zeroclanzhang（讨论 | 贡献） 无编辑摘要 |
Zeroclanzhang（讨论 | 贡献） 无编辑摘要 |
||
| 第23行： | 第23行： | ||
|statsapewikiurl=https://wiki.statsape.com/Lasso回归_二项式 | |statsapewikiurl=https://wiki.statsape.com/Lasso回归_二项式 | ||
|previousnode=[[逐步回归]] | |previousnode=[[逐步回归]] | ||
|nextnode=[[ | |nextnode=[[Lasso回归_生存状态]] | ||
}} | }} | ||
2023年12月4日 (一) 22:46的版本
 | |
| 节点状态 | PC可用
在 V1.0部署
|
|---|---|
| Lasso回归_二项式 | |
| 节点开发者 | 决策链算法研发部 (Dev.Team-DPS) |
| 节点英文名 | Lasso回归 二项式 |
| 功能主类别 | 数据分析 |
| 英文缩写 | LASSO_Binary |
| 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。 二项式Lasso回归则是一种用于解决二分类问题的回归,因变量Y需要是二分类(1 or 0)。用于估计某种事物的可能性。 用途：可以有效地进行线性特征选择，只保留那些对目标（例如二元结果）影响最大的变量。这在处理具有大量预测变量的数据集时尤为有用。 参数：选择二分类因变量，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 | |
| 相关节点 | |
| 上一节点 | 逐步回归 |
| 下一节点 | Lasso回归_生存状态 |
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
列表
数据处理节点
数据输入
变量处理
行列处理
矩阵处理
表格处理
列表
数据分析节点
描述性统计
统计检验
方差分析
相关分析
回归分析
Lasso回归 二项式Lasso回归 泊松Lasso回归 生存状态Lasso回归 高斯PLS回归Ridge回归 二项式Ridge回归 泊松Ridge回归 生存状态Ridge回归 高斯分位回归多分类逻辑回归多项式回归广义估计方程 伽玛广义估计方程 泊松广义估计方程 负二项广义估计方程 逻辑广义估计方程 高斯广义相加模型 伽玛广义相加模型 泊松广义相加模型 负二项广义相加模型 逻辑广义相加模型 高斯广义相加混合模型 伽玛广义相加混合模型 泊松广义相加混合模型 负二项广义相加混合模型 逻辑广义相加混合模型 高斯广义线性回归 伽玛广义线性回归 泊松广义线性回归 负二项广义线性回归 逆概率加权联合标准差稳健线性回归线性回归逐步回归逻辑回归
时序分析
潜变量分析
生存分析
多元分析
综合分析
列表
机器学习节点
列表
AI和神经网络
环境检测
