«gam» etiketlenmiş sorular

Ormansızlaşma için genelleştirilmiş katkı modelleri ürettim. Mekansal-otokorelasyonu açıklamak için, enlem ve boylamı düzleştirilmiş, etkileşimli bir terim olarak ekledim (örn. S (x, y)). Bunu, yazarların 'uzamsal otokorelasyonu hesaba katan, noktaların koordinatlarını düzleştirilmiş terimler olarak dahil ettiklerini' söylediği birçok makaleyi okudum. Bu oldukça sinir bozucu. Bir cevap bulma umuduyla GAM'lerde bulabildiğim tüm …

60 r  modeling  spatial  autocorrelation  gam 

GAM kullandığımda, artık DF (kodun son satırı) olduğunu gösteriyor. Bu ne anlama geliyor? GAM örneğinin ötesine geçmek, Genel olarak, serbestlik derecelerinin sayısı tam sayı olmayan bir sayı olabilir mi?26,626,626.6 > library(gam) > summary(gam(mpg~lo(wt),data=mtcars)) Call: gam(formula = mpg ~ lo(wt), data = mtcars) Deviance Residuals: Min 1Q Median 3Q Max -4.1470 …

27 r  degrees-of-freedom  gam  machine-learning  pca  lasso  probability  self-study  bootstrap  expected-value  regression  machine-learning  linear-model  probability  simulation  random-generation  machine-learning  distributions  svm  libsvm  classification  pca  multivariate-analysis  feature-selection  archaeology  r  regression  dataset  simulation  r  regression  time-series  forecasting  predictive-models  r  mean  sem  lavaan  machine-learning  regularization  regression  conv-neural-network  convolution  classification  deep-learning  conv-neural-network  regression  categorical-data  econometrics  r  confirmatory-factor  scale-invariance  self-study  unbiased-estimator  mse  regression  residuals  sampling  random-variable  sample  probability  random-variable  convergence  r  survival  weibull  references  autocorrelation  hypothesis-testing  distributions  correlation  regression  statistical-significance  regression-coefficients  univariate  categorical-data  chi-squared  regression  machine-learning  multiple-regression  categorical-data  linear-model  pca  factor-analysis  factor-rotation  classification  scikit-learn  logistic  p-value  regression  panel-data  multilevel-analysis  variance  bootstrap  bias  probability  r  distributions  interquartile  time-series  hypothesis-testing  normal-distribution  normality-assumption  kurtosis  arima  panel-data  stata  clustered-standard-errors  machine-learning  optimization  lasso  multivariate-analysis  ancova  machine-learning  cross-validation 

Aşağıdaki kod, iki zaman serisi arasındaki benzerliği değerlendirir: set.seed(10) RandData <- rnorm(8760*2) America <- rep(c('NewYork','Miami'),each=8760) Date = seq(from=as.POSIXct("1991-01-01 00:00"), to=as.POSIXct("1991-12-31 23:00"), length=8760) DatNew <- data.frame(Loc = America, Doy = as.numeric(format(Date,format = "%j")), Tod = as.numeric(format(Date,format = "%H")), Temp = RandData, DecTime = rep(seq(1, length(RandData)/2) / (length(RandData)/2), 2)) require(mgcv) mod1 <- …

24 r  time-series  data-visualization  gam 

GAM'ları giderek daha fazla kullanıyorum. Çeşitli bileşenleri (referans parametre seçimi, çeşitli spline tabanları, yumuşak terimlerin p-değerleri) için referanslar sağlamaya gittiğimde, hepsi bir araştırmacıdan - İngiltere'deki Bath Üniversitesi'ndeki Simon Wood'dan. Aynı zamanda, mgcviş vücudunu uygulayan R'nin koruyucusudur. mgcvson derece karmaşıktır, ancak oldukça iyi çalışır. Kesinlikle daha eski şeyler var. Orijinal fikir …

19 nonparametric  gam  mgcv  academia  semiparametric 

Gradyan arttırıcı makine algoritmasını caretR'deki paket üzerinden deniyorum. Küçük bir kolej veri kümesi kullanarak, aşağıdaki kodu koştu: library(caret) ### Load admissions dataset. ### mydata <- read.csv("http://www.ats.ucla.edu/stat/data/binary.csv") ### Create yes/no levels for admission. ### mydata$admit_factor[mydata$admit==0] <- "no" mydata$admit_factor[mydata$admit==1] <- "yes" ### Gradient boosting machine algorithm. ### set.seed(123) fitControl <- trainControl(method = …

15 machine-learning  caret  boosting  gbm  hypothesis-testing  t-test  panel-data  psychometrics  intraclass-correlation  generalized-linear-model  categorical-data  binomial  model  intercept  causality  cross-correlation  distributions  ranks  p-value  z-test  sign-test  time-series  references  terminology  cross-correlation  definition  probability  distributions  beta-distribution  inverse-gamma  missing-data  paired-comparisons  paired-data  clustered-standard-errors  cluster-sample  time-series  arima  logistic  binary-data  odds-ratio  medicine  hypothesis-testing  wilcoxon-mann-whitney  unsupervised-learning  hierarchical-clustering  neural-networks  train  clustering  k-means  regression  ordinal-data  change-scores  machine-learning  experiment-design  roc  precision-recall  auc  stata  multilevel-analysis  regression  fitting  nonlinear  jmp  r  data-visualization  gam  gamm4  r  lme4-nlme  many-categories  regression  causality  instrumental-variables  endogeneity  controlling-for-a-variable 

Bunun potansiyel olarak geniş bir soru olabileceğini fark ettim, ama bir GLM (Genelleştirilmiş doğrusal model) üzerinde bir GAM (Genelleştirilmiş katkı modeli) kullanımını gösteren genelleştirilebilir varsayımlar olup olmadığını merak ediyordum. Birisi kısa süre önce bana GAM'ların yalnızca veri yapısının "katkı maddesi" olduğunu düşündüğümde kullanılması gerektiğini söyledi, yani x eklemelerinin y'yi tahmin …

15 regression  generalized-linear-model  gam 

Reading mgcv::gamyardım sayfası: güven / güvenilir aralıklar, takılı bir model kullanılarak tahmin edilen herhangi bir miktar için kolayca kullanılabilir Ancak bir tane elde etmenin bir yolunu bulamıyorum. Ben predict.gambir type=confidenceve bir levelparametre olacağını düşündüm ama değil. Nasıl yaratılacağı konusunda bana yardım edebilir misin?

14 r  confidence-interval  gam 

R'nin genelleştirilmiş katkı modelleri için gam ve mgcv kütüphaneleri olduğunu biliyorum. Ancak Python ekosistemindeki meslektaşlarını bulmakta zorluk çekiyorum (istatistik modellerinde yalnızca sanal alanda prototip var). Var olan python kütüphanelerinin farkında olan var mı? Kim bilir bu scikit-öğrenmeye geliştirmek / katkıda bulunmak için iyi bir proje olabilir.

14 gam 

Bağlam : Bu yüzden ben kullanıyorum, parametrik görünmeyen bir ScatterPlot bir çizgi çizmek istiyorum geom_smooth()içinde ggplotde R. geom_smooth: method="auto" and size of largest group is >=1000, so using gam with formula: y ~ s(x, bs = "cs"). Use 'method = x' to change the smoothing method.Genelleştirilmiş katkı modelleri için GAM …

14 r  gam  splines  loess  r  data-visualization  boxplot  mathematical-statistics  theory  sufficient-statistics  machine-learning  classification  correlation  svm  feature-selection  probability  stochastic-processes  machine-learning  reinforcement-learning 

Tahmin için bir dizi araç araştırıyorum ve Genelleştirilmiş Katkı Modellerinin (GAM) bu amaç için en yüksek potansiyele sahip olduğunu gördüm. OYUNLAR harika! Karmaşık modellerin çok kısa bir şekilde belirlenmesine izin verirler. Bununla birlikte, aynı özlük bana, özellikle de GAM'ların etkileşim terimlerini ve ortak değişkenleri nasıl algıladıkları konusunda bazı karışıklıklara neden …

12 r  modeling  gam  mgcv 

Aşağıdaki gibi bir GAM takarsak: gam.fit = gam::gam(Outstate ~ Private + s(Room.Board, df = 2) + s(PhD, df = 2) + s(perc.alumni, df = 2) + s(Expend, df = 5) + s(Grad.Rate, df = 2), data = College) Burada, Collegepaketin içinde bulunan veri kümesini kullanıyoruz ISLR. Şimdi, bu uyumun özetini …

12 anova  gam 

mgcvİçin paket Rtensör ürün etkileşimleri uydurma için iki işlevi vardır: te()ve ti(). İkisi arasındaki temel işbölümünü anlıyorum (doğrusal olmayan bir etkileşime uymak ve bu etkileşimi ana etkilere ve etkileşime ayırmak). Anlamadığım şey neden te(x1, x2)ve ti(x1) + ti(x2) + ti(x1, x2)(biraz) farklı sonuçlar üretebilir. MWE (uyarlanmıştır ?ti): require(mgcv) test1 <- …

11 r  gam  mgcv  conditional-probability  mixed-model  references  bayesian  estimation  conditional-probability  machine-learning  optimization  gradient-descent  r  hypothesis-testing  wilcoxon-mann-whitney  time-series  bayesian  inference  change-point  time-series  anova  repeated-measures  statistical-significance  bayesian  contingency-tables  regression  prediction  quantiles  classification  auc  k-means  scikit-learn  regression  spatial  circular-statistics  t-test  effect-size  cohens-d  r  cross-validation  feature-selection  caret  machine-learning  modeling  python  optimization  frequentist  correlation  sample-size  normalization  group-differences  heteroscedasticity  independence  generalized-least-squares  lme4-nlme  references  mcmc  metropolis-hastings  optimization  r  logistic  feature-selection  separation  clustering  k-means  normal-distribution  gaussian-mixture  kullback-leibler  java  spark-mllib  data-visualization  categorical-data  barplot  hypothesis-testing  statistical-significance  chi-squared  type-i-and-ii-errors  pca  scikit-learn  conditional-expectation  statistical-significance  meta-analysis  intuition  r  time-series  multivariate-analysis  garch  machine-learning  classification  data-mining  missing-data  cart  regression  cross-validation  matrix-decomposition  categorical-data  repeated-measures  chi-squared  assumptions  contingency-tables  prediction  binary-data  trend  test-for-trend  matrix-inverse  anova  categorical-data  regression-coefficients  standard-error  r  distributions  exponential  interarrival-time  copula  log-likelihood  time-series  forecasting  prediction-interval  mean  standard-error  meta-analysis  meta-regression  network-meta-analysis  systematic-review  normal-distribution  multiple-regression  generalized-linear-model  poisson-distribution  poisson-regression  r  sas  cohens-kappa 

Tek tek gemiler için basit rastgele efektleri modellemek için mgcv'de gam kullanarak toplam balık avını modellemekle ilgileniyorum (balıkçılıkta zamanla tekrarlanan yolculuklar yapıyorum). 98 denek var, bu yüzden rastgele efektleri modellemek için gamm yerine gam kullanacağımı düşündüm. Modelim: modelGOM <- gam(TotalFish ~ factor(SetYear) + factor(SetMonth) + factor(TimePeriod) + s(SST) + s(VesselID, …

10 prediction  random-effects-model  gam  mgcv 

Doğrusal bir regresyon için olağan VIF hesaplamasında, her bağımsız / açıklayıcı değişken , sıradan bir en küçük kareler regresyonunda bağımlı değişken olarak kabul edilir. yaniXjXjX_j Xj=β0+∑i=1,i≠jnβiXiXj=β0+∑i=1,i≠jnβiXi X_j = \beta_0 + \sum_{i=1, i \neq j}^n \beta_i X_i değerlerinin her biri için depolanır gerileme de görülmemiştir ve VIF'ye belirlenirR2R2R^2nnn VIFj=11−R2jVIFj=11−Rj2 VIF_j = …

10 regression  variance  multicollinearity  gam  vif 

Soru : Gözlenen "dağ" -aleli frekansının (Şekil 1), ortadan güney dağlara, ekolojik seçim modeli tarafından tahmin edilenden (Şekil 2) önemli ölçüde daha düşük olup olmadığını belirlemek için nasıl bir test yapabilirim ( ayrıntılar için aşağıya bakın )? Sorun : İlk düşüncem, model artıklarını enlem: boylam ve irtifaya (sadece enlem ve …

10 hypothesis-testing  statistical-significance  residuals  gam