KRR

KRR est disponible dans SPSS® Statistics Standard Edition ou dans l'option Advanced Statistics.

KRR utilise la classe Python sklearn.kernel_ridge.KernelRidge pour estimer une régression de crête de noyau d'une variable dépendante sur une ou plusieurs variables indépendantes. Les variables indépendantes comprennent les hyperparamètres du modèle, ou une sélection de valeurs d'hyperparamètres, sur une grille de valeurs spécifiée. La validation croisée est effectuée à l'aide de la classe sklearn.model_selection.GridSearchCV .

Remarque: L'algorithme de régression du noyau nécessite l'utilisation d'une matrice

N x
N

, où N correspond au nombre d'observations. Les besoins en mémoire augmentent rapidement avec le nombre d'observations et l'algorithme ne s'applique pas bien aux jeux de données volumineux. Les limites de cas exactes dépendent du système d'exploitation et du matériel spécifique. Les besoins en mémoire peuvent être dépassés lorsque les jeux de données contiennent 50 000 (ou moins) observations.

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)}]

**Par défaut si la sous-commande ou le mot-clé est omis.

/p est le nombre de variables de prédicteur ou de covariables.

Cette commande lit le jeu de données actif et entraîne l'exécution de toutes les commandes en attente. Pour plus d'informations, voir la rubrique Commande .

La syntaxe de la commande KRR peut être générée à partir de la boîte de dialogue Kernel Ridge Regression .

Exemple

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

L'extension effectue une régression de crête de noyau de y sur x.
Un noyau polynomial est utilisé.
Le degré du polynôme est 2, ce qui indique une fonction quadratique.
Le coefficient 0 du noyau polynomial est fixé à sa valeur par défaut, 1.
La valeur gamma dans le noyau est laissée à la valeur par défaut 1/p.
Le paramètre de régularisation alpha est laissé à la valeur par défaut 1.
Un nuage de points des résidus par rapport aux prévisions est affiché.
Les valeurs prédites, les résidus et les pondérations des coefficients d'espace doubles sont enregistrés à l'aide des noms par défaut.