Lasso回归 泊松：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_泊松|nodeimage=Lasso Regression_Poisson.png|developer=Dev.Team-DPS|productionstate=PC可用|productionstatedesc=在 V1.0部署|nodeenglishname=Has english name::Lasso Regression_Poisson|abbreviation=LASSO_Poisson|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…”）
 
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=Lasso回归_泊松|nodeimage=Lasso Regression_Poisson.png|developer=Dev.Team-DPS|productionstate=PC可用|productionstatedesc=在[[DecisionTree | V1.0]]部署|nodeenglishname=[[Has english name::Lasso Regression_Poisson]]|abbreviation=LASSO_Poisson|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。泊松Lasso回归则是针对泊松回归来做Lasso回归,因变量为计数变量,解决的问题是在特定时间内发生n个事件的概率。\n用途：可以实现有效的线性特征选择，只保留那些对目标（计数输出）影响最大的变量。预测基于一组预测变量的计数输出。\n参数：选择泊松分布因变量，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_泊松_Plus|previousnode=[[Lasso回归_高斯]]|nextnode=[[单样本T检验]]}}{{Navplate AlgorithmNodeList}}[[Category:回归分析]]
{{Infobox nodebasic  
|nodename=Lasso回归_泊松
|nodeimage=Lasso Regression_Poisson.png
|icon=Lasso Regression_Poisson.svg
|simpleicon=Lasso Regression_Poisson_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=Lasso Regression_Poisson
|abbreviation=LASSOPoisson
|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>泊松Lasso回归则是针对泊松回归来做Lasso回归,因变量为计数变量,解决的问题是在特定时间内发生n个事件的概率。</p><p>用途：可以实现有效的线性特征选择，只保留那些对目标（计数输出）影响最大的变量。预测基于一组预测变量的计数输出。</p><p>参数：选择泊松分布因变量，连续型数值自变量</p>
|nodeinputnumber=4
|nodeoutputnumber=3
|nodeloopsupport=是
|nodeifswitchsupport=否
|nodeavailableplotlist=LinePlot;PointErrorLinePlot
|nodeavailabletablelist=Coeff-Value;Lambda;CVM;CVSD;CVCI
|nodeconfiguration=VariableList;Text
|nodeinputports=WorkFlow-Control ➤;Transfer-Variable ◆;Transfer-Table ■
|nodeoutputports=WorkFlow-Control ➤;Transfer-Variable ◆;Transfer-Table ■
|statsapewikiurl=https://wiki.statsape.com/Lasso回归_泊松
|previousnode=[[Lasso回归_高斯]]
|nextnode=[[Ridge回归_二项式]]
}}
 
 
 
{{Navplate AlgorithmNodeList}}
 
[[Category:回归分析]]

2024年1月19日 (五) 19:14的最新版本

Lasso Regression Poisson.png
节点状态
Windows / Windows 10 Win10及以上可用
在V1.0部署
Lasso回归_泊松Lasso Regression Poisson.svg
节点开发者决策链算法研发部 (Dev.Team-DPS)
节点英文名Lasso Regression_Poisson
功能主类别数据分析
英文缩写LASSOPoisson
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。

泊松Lasso回归则是针对泊松回归来做Lasso回归,因变量为计数变量,解决的问题是在特定时间内发生n个事件的概率。

用途：可以实现有效的线性特征选择，只保留那些对目标（计数输出）影响最大的变量。预测基于一组预测变量的计数输出。

参数：选择泊松分布因变量，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_高斯
下一节点Ridge回归_二项式
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=Lasso回归_泊松&oldid=6097”
最近修改
此页面最后编辑于2024年1月19日 (星期五) 19:14。
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].