Domande taggate «generalized-linear-model»

Una generalizzazione della regressione lineare che consente alle relazioni non lineari tramite una "funzione di collegamento" e che la varianza della risposta dipenda dal valore previsto. (Da non confondere con il "modello lineare generale" che estende il modello lineare ordinario alla struttura generale della covarianza e alla risposta multivariata.)

4
Come applicare il metodo IRLS (Least Squares Squares Squares) al modello LASSO?
Ho programmato una regressione logistica usando l' algoritmo IRLS . Vorrei applicare una penalità LASSO per selezionare automaticamente le funzionalità giuste. Ad ogni iterazione, viene risolto quanto segue: (XTWX)δβ^=XT(y−p)(XTWX)δβ^=XT(y−p)\mathbf{\left(X^TWX\right) \delta\hat\beta=X^T\left(y-p\right)} Sia un numero reale non negativo. Non sto penalizzando l'intercettazione come suggerito in The Elements of. Apprendimento statistico . Idem …
2
È possibile valutare GLM in Python / scikit-learn usando le distribuzioni Poisson, Gamma o Tweedie come famiglia per la distribuzione degli errori?
Sto cercando di imparare alcuni Python e Sklearn, ma per il mio lavoro ho bisogno di eseguire regressioni che utilizzano distribuzioni di errori dalle famiglie Poisson, Gamma e soprattutto Tweedie. Non vedo nulla nella documentazione su di loro, ma si trovano in diverse parti della distribuzione R, quindi mi chiedevo …
1
adattamento di una funzione esponenziale utilizzando i minimi quadrati rispetto al modello lineare generalizzato rispetto ai minimi quadrati non lineari
Ho un set di dati che rappresenta il decadimento esponenziale. Vorrei adattare una funzione esponenziale a questi dati. Ho provato a registrare trasformando la variabile di risposta e quindi usando i minimi quadrati per adattarsi a una linea; usando un modello lineare generalizzato con una funzione log link e una …
1
Calcolo della funzione di collegamento canonico in GLM
Ho pensato che la funzione di collegamento canonico g(⋅)g(⋅)g(\cdot) provenga dal parametro naturale della famiglia esponenziale. Di ', considera la famiglia f(y,θ,ψ)=exp{yθ−b(θ)a(ψ)−c(y,ψ)}f(y,θ,ψ)=exp⁡{yθ−b(θ)a(ψ)−c(y,ψ)} f(y,\theta,\psi)=\exp\left\{\frac{y\theta-b(\theta)}{a(\psi)}-c(y,\psi)\right\} quindiθ=θ(μ)θ=θ(μ)\theta=\theta(\mu)è la funzione di collegamento canonico. Prendiamoad esempio ladistribuzione di Bernoulli, abbiamo P(Y=y)=μy(1−μ)1−y=exp{ylogμ1−μ+log(1−μ)}P(Y=y)=μy(1−μ)1−y=exp⁡{ylog⁡μ1−μ+log⁡(1−μ)} P(Y=y)=\mu^{y}(1-\mu)^{1-y}=\exp\left\{y\log\frac{\mu}{1-\mu}+\log{(1-\mu)}\right\} Quindi, la funzione di collegamento canonicog(μ)=logμ1−μg(μ)=log⁡μ1−μg(\mu)=\log\frac{\mu}{1-\mu} Ma quando vedo questa diapositiva , afferma …
Utilizzando il nostro sito, riconosci di aver letto e compreso le nostre Informativa sui cookie e Informativa sulla privacy.
Licensed under cc by-sa 3.0 with attribution required.