让我们生成一些数据:
R
set.seed(1)
n <- 100; p <- 12
mu = rowSums(x[, 1:3]) + f4 + f5 + f6
我们使用最基本的rgam来拟合模型:
R
fit <- rgam
下面,我们使用不同的init_nz
值拟合模型:
RGAM算法第2步的自由度超参数可以通过df
选项进行设置,默认值为4。以下是使用不同超参数拟合RGAM模型的示例:
R
gamma = 0.6, df = 8
函数rgam()
为一系列lambda值拟合RGAM模型,并返回一个rgam
对象。
而nzero_feat
、nzero_lin
和nzero_nonlin
键告诉我们每个lambda值包含的特征、线性组件和非线性组件的索引。
可以通过使用predict
方法获得此模型的预测结果:每列给出了一个lambda
值的预测结果。
# 获取前5个观测值在第20个模型的预测结果
predict(fit, x[1:5, ])[, 20]
getf()
函数是一个方便的函数,可以给出由一个输入变量引起的预测组成部分。也就是说,如果RGAM给出预测结果
例如,下面的代码给出了第20个lambda值时响应由变量5引起的组成部分:
f5 <- get
我们可以使用以下代码制作一个图表,展示变量5对响应的影响:
plot
点击标题查阅往期内容
01
02
03
04
让我们再次拟合基本的rgam模型:
fit <- rga
默认情况下,plot()
给出了最后一个 fit
中的 lambda
键的拟合函数,并仅给出前4个特征的图表:
plot(fit
用户可以使用 index
和 which
选项指定 lambda 值的索引和要显示的特征图:
plot(fit, x, in
线性函数以绿色呈现,非线性函数以红色呈现,而零函数以蓝色呈现。
有 summary
方法,允许用户查看线性和非线性特征的系数概况。在每个图表上(一个用于线性特征,一个用于非线性特征),x轴是从大到小的 xi 值,y轴是特征的系数。
summary
默认情况下,系数概况将针对所有变量进行绘制。
summary(fit
我们可以使用 k 折交叉验证。
R
cvfit <- cv.rg
我们可以通过设置 nfolds
参数来改变折数:
R
cvft <- cv.r
我们可以通过指定 foldid
参数来实现,其中 foldid
是一个长度为 n 的向量。
R
gamma = 0.6, foldid = foldid, verbose = FALSE)
cv.rgam()
调用会返回一个 cv.rgam
对象。
R
plot
可以从拟合的 cv.rgam
对象中进行预测。
predict(cvf s = lambda.1se
predict(cvfn")
在上述例子中,变量y
是一个定量变量(即取值沿实数数轴)。因此,使用默认的rgam()
的family = "gaussian"
是合适的。然而,RGAM算法非常灵活,可以在y
不是定量变量时使用。
在这种情况下,响应变量y
应该是一个只包含0和1的数字向量。在进行预测时,请注意,默认情况下,predict()
仅返回线性预测值,即
要获取预测的概率,用户必须在predict()
调用中传递type = "response"
。
# 拟合二元模型
bin_y <-binomial", init_nz = c(), gamma = 0.9,
verbose = FALSE)
# 第10个模型的前5个观察值的线性预测值
predict(bi1
# 第10个模型的前5个观察值的预测概率
predict(
对于泊松回归,响应变量y
应该是一个计数数据向量。虽然rgam()
不要求每个元素都是整数,但如果任何元素为负,则会报错。
与逻辑回归类似,默认情况下,predict()
仅返回线性预测值,即
要获取预测速率,用户必须在predict()
调用中传递type = "response"
。
对于泊松数据,通常允许用户传入偏移,这是一个与观测数相同长度的向量。rgam()
也允许用户这样做:
# 生成数据
set.seed(5)
offset <- rnoroffset, verbose = FALSE)
请注意,如果将offset
提供给rgam()
,则在进行预测时必须还提供一个偏移向量给predict()
:
# 第20个lambda值的速率预测
predict(poifit,ponse")[,20]