KRR

KRR está disponible en Tablas personalizadas y Estadísticas avanzadas.

KRR utiliza la clase Python sklearn.kernel_ridge.KernelRidge para estimar una regresión de ridge de kernel de una variable dependiente en una o más variables independientes. Las variables independientes incluyen hiperparámetros de modelo, o una selección de valores de hiperparámetros, sobre una cuadrícula de valores especificada. La validación cruzada se consigue utilizando la clase sklearn.model_selection.GridSearchCV .

Nota: El algoritmo de regresión del kernel requiere trabajar con una matriz

N x
N

, donde N es el número de casos. Los requisitos de memoria crecen rápidamente con el número de casos, y el algoritmo no se escala bien a conjuntos de datos grandes. Los límites de casos exactos dependen del sistema operativo y del hardware específico. Es posible que se superen los requisitos de memoria cuando los conjuntos de datos contienen 50.000 casos (o menos).

KRR dependent WITH covariate list
   [/KERNEL [ADDITIVE_CHI2(ALPHA={1}
                                 {[values] [value1 TO value2 BY value3]})] 
   [/KERNEL [CHI2(ALPHA={1}
                        {[values] [value1 TO value2 BY value3]})] 
                  GAMMA={1}
                        {[values] [value1 TO value2 BY value3]})]
   [/KERNEL COSINE(ALPHA={1}
                         {[values] [value1 TO value2 BY value3]})]
   [/KERNEL LAPLACIAN(ALPHA={1}
                            {[values] [value1 TO value2 BY value3]})]
                      GAMMA={1/p}
                            {[values] [value1 TO value2 BY value3]})]
   [/KERNEL LINEAR(ALPHA={1**}
                         {[values] [value1 TO value2 BY value3]})]
   [/KERNEL POLYNOMIAL(ALPHA={1}
                             {[values] [value1 TO value2 BY value3]})] 
                       GAMMA={1/p}
                             {[values] [value1 TO value2 BY value3]})]
                       COEF0={1}
                             {[values] [value1 TO value2 BY value3]})]
                       DEGREE={3} 
                              {[values] [value1 TO value2 BY value3]})]
   [/KERNEL RBF(ALPHA={1}
                      {[values] [value1 TO value2 BY value3]})]
                GAMMA={1/p}
                      {[values] [value1 TO value2 BY value3]})]
   [/KERNEL SIGMOID(ALPHA={1}
                          {[values] [value1 TO value2 BY value3]})]
                    GAMMA={1/p}
                          {[values] [value1 TO value2 BY value3]})]
                    COEF0={1}
                          {[values] [value1 TO value2 BY value3]})]
   [/CROSSVALID [NFOLDS={5**  }
                        {value}]
   [/CRITERIA TIMER={5**  }
                    {value}
   [/PRINT {BEST** }
           {COMPARE}
           {VERBOSE}]
   [/PLOT {OBSERVED} {RESIDUAL}]
   [/SAVE {PRED(varname)} {RESID(varname)} {DUAL(varname)}]

**Valor predeterminado si el subcomando o la palabra clave se omite.

/p es el número de variables predictoras o covariables.

Este mandato lee el conjunto de datos activo y provoca la ejecución de los mandatos pendientes. Consulte el tema Orden de mandatos para obtener más información.

La sintaxis del mandato KRR se puede generar desde el diálogo Regresión de ridge de kernel .

Ejemplo

KRR y WITH x
   /KERNEL POLYNOMIAL(DEGREE=2 COEF0=1)
   /PLOT RESIDUALS_VS_PREDICTED
   /SAVE PRED RESID DUAL.

La extensión realiza una regresión de ridge de kernel de y en x.
Se utiliza un kernel polinómico.
El grado del polinomio es 2, lo que indica una función cuadrática.
El coeficiente 0 para el kernel polinómico se establece en su valor predeterminado de 1.
El valor gamma en el kernel se deja en el valor predeterminado de 1/p.
El parámetro de regularización alfa se deja en el valor predeterminado de 1.
Se muestra un diagrama de dispersión de residuos frente a valores pronosticados.
Los valores pronosticados, los residuos y las ponderaciones de coeficiente de espacio dual se guardan utilizando nombres predeterminados.