广义相加混合模型 逻辑：修订间差异

来自决策链云智库
（创建页面，内容为“{{Infobox nodebasic|nodename=广义相加混合模型_逻辑|nodeimage=Generalized Additive Mixed Model_Logistic.png|developer=Dev.Team-DPS|productionstate=PC可用|productionstatedesc=在 V1.0部署|nodeenglishname=Has english name::Generalized Additive Mixed Model_Logistic|abbreviation=GAMM_Logistic|funcmaincategory=数据分析|funcsubcategory=DataAGM Lv1 Cat::回归分析|nodecategory=数据挖掘|nodeinterpretor=R|nodeshortdescrip…”）
 
无编辑摘要
 
（未显示同一用户的6个中间版本）
第1行： 第1行：
{{Infobox nodebasic|nodename=广义相加混合模型_逻辑|nodeimage=Generalized Additive Mixed Model_Logistic.png|developer=Dev.Team-DPS|productionstate=PC可用|productionstatedesc=在[[DecisionTree | V1.0]]部署|nodeenglishname=[[Has english name::Generalized Additive Mixed Model_Logistic]]|abbreviation=GAMM_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。\n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。\n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</p>|nodeinputnumber=6|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/广义相加混合模型_逻辑_Plus|previousnode=[[广义相加混合模型_高斯]]|nextnode=[[分位回归]]}}{{Navplate AlgorithmNodeList}}[[Category:回归分析]]
{{Infobox nodebasic  
|nodename=广义相加混合模型_逻辑
|nodeimage=Generalized Additive Mixed Model_Logistic.png
|icon=Generalized Additive Mixed Model_Logistic.svg
|simpleicon=Generalized Additive Mixed Model_Logistic_Pure.svg
|developer=Dev.Team-DPS
|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
|nodeenglishname=Generalized Additive Mixed Model_Logistic
|abbreviation=GAMMLogistic
|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。</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：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。</p><p>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</p>
|nodeinputnumber=6
|nodeoutputnumber=2
|nodeloopsupport=是
|nodeifswitchsupport=否
|nodeavailableplotlist=FR_Curve_Plot;RegressionCoefficientPlot
|nodeavailabletablelist=Coeff-Value;SE;t-Value;P-Value;CI;R-Square;edf;F-Value;AIC;BIC
|nodeconfiguration=VariableList
|nodeinputports=WorkFlow-Control ➤;Transfer-Variable ◆;Transfer-Table ■
|nodeoutputports=WorkFlow-Control ➤;Transfer-Table ■
|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]]
|nextnode=[[广义相加混合模型_伽玛]]
}}
 
 
 
{{Navplate AlgorithmNodeList}}
 
[[Category:回归分析]]

2024年1月19日 (五) 19:12的最新版本

Generalized Additive Mixed Model Logistic.png
节点状态
Windows / Windows 10 Win10及以上可用
在V1.0部署
广义相加混合模型_逻辑Generalized Additive Mixed Model Logistic.svg
节点开发者决策链算法研发部 (Dev.Team-DPS)
节点英文名Generalized Additive Mixed Model_Logistic
功能主类别数据分析
英文缩写GAMMLogistic
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
可生成图片类型（推荐）
可生成数据表类型（推荐）
相关节点
上一节点广义相加混合模型_高斯
下一节点广义相加混合模型_伽玛
WikimediaUI-Globe.svg相关网站





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=广义相加混合模型_逻辑&oldid=6088”
最近修改
此页面最后编辑于2024年1月19日 (星期五) 19:12。
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].