可生成图片类型（推荐）
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21行： | 第21行： | ||
|nodeavailabletablelist=Table_For_Downstream | |nodeavailabletablelist=Table_For_Downstream | ||
|nodeconfiguration=VariableList | |nodeconfiguration=VariableList | ||
|nodeinputports=WorkFlow-Control | |nodeinputports=WorkFlow-Control ➤;Transfer-Variable ◆;Transfer-Table ■ | ||
|nodeoutputports=WorkFlow-Control | |nodeoutputports=WorkFlow-Control ➤;Transfer-Table ■ | ||
|statsapewikiurl=https://wiki.statsape.com/广义相加混合模型_逻辑 | |statsapewikiurl=https://wiki.statsape.com/广义相加混合模型_逻辑 | ||
|previousnode=[[广义相加混合模型_高斯]] | |previousnode=[[广义相加混合模型_高斯]] | ||
2023年12月8日 (五) 14:07的版本
 | |
| 节点状态 | PC可用
在 V1.0部署
|
|---|---|
广义相加混合模型_逻辑  | |
| 节点开发者 | 决策链算法研发部 (Dev.Team-DPS) |
| 节点英文名 | 广义相加混合模型 逻辑 |
| 功能主类别 | 数据分析 |
| 英文缩写 | GAMM_Logistic |
| 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 | |
广义相加混合模型是混合效应和相加模型的结合，不仅可以引进随机效应， 还可以对重复测量的自变量X及其他协变量使用曲线拟合。GAMM也是用来探测到非线性回归的影响,与GAM相比,多了个random effects。 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。 用途：允许在模型中引入随机效应，处理数据的群体层面的异质性或者连续性的依赖关系，处理各种复杂的二分类问题，同时考虑固定效应和随机效应。 参数：选择二分类因变量，数值型曲线拟合变量，随机变量，和自变量 | |
| 端口数量与逻辑控制(PC) | |
| Input-入口 | 6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 | |
| 相关节点 | |
| 上一节点 | 广义相加混合模型_高斯 |
| 下一节点 | 分位回归 |
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
