gleプロパティ

GLE ノード・アイコン GLEは線形モデルを拡張し、標本が非正規分布を持つことができるようにし、指定されたリンク関数を通じて因子および共変量と線形関係を持ち、観測値が相関を持つことができるようにします。一般化線型混合モデルには、単純な線型から、非正規分布の縦断的データを取り扱う複雑なマルチレベル・モデルまで、さまざまなモデルがあります。

表 1. プロパティーの表示
`gle` プロパティ－	値	プロパティーの説明
`custom_target`	フラグ	上流ノードで定義されたターゲット（`false` ）を使用するか、 `target_field` （`true` ）で指定されたカスタムターゲットを使用するかを示します。
`target_field`	フィールド	`custom_target` が `true` の場合にターゲットとして使用するフィールド。
`use_trials`	フラグ	目標応答が試験の実施回数である場合に、追加のフィールドまたは試行回数を指定する値を使用するかどうかを示す。デフォルトは `false` です。
`use_trials_field_or_value`	`Field` `Value`	試行回数を指定する際に、フィールド（デフォルト）または値が使用されるかどうかを示します。
`trials_field`	フィールド	試行回数を指定する際に使用するフィールド。
`trials_value`	整数	試行回数を指定する際に使用する値。指定された場合、最小値は1です。
`use_custom_target_reference`	フラグ	カスタム参照カテゴリがカテゴリ別ターゲットに使用されるかどうかを示します。デフォルトは `false` です。
`target_reference_value`	ストリング	`use_custom_target_reference` が `true` の場合に使用する参照カテゴリー。
`dist_link_combination`	`NormalIdentity` `GammaLog` `PoissonLog` `NegbinLog` `TweedieIdentity` `NominalLogit` `BinomialLogit` `BinomialProbit` `BinomialLogC` `CUSTOM`	対象の価値観の分布に関する一般的なモデル。 `CUSTOM` を選択して、 `target_distribution` が提供するリストから配信を指定します。
`target_distribution`	`Normal` `Binomial` `Multinomial` `Gamma` `INVERSE_GAUSS` `NEG_BINOMIAL` `Poisson` `TWEEDIE` `UNKNOWN`	`dist_link_combination` が `Custom` の場合のターゲット値の分布。
`link_function_type`	`UNKNOWN` `IDENTITY` `LOG` `LOGIT` `PROBIT` `COMPL_LOG_LOG` `POWER` `LOG_COMPL` `NEG_LOG_LOG` `ODDS_POWER` `NEG_BINOMIAL` `GEN_LOGIT` `CUMUL_LOGIT` `CUMUL_PROBIT` `CUMUL_COMPL_LOG_LOG` `CUMUL_NEG_LOG_LOG` `CUMUL_CAUCHIT`	ターゲット値と予測値を関連付けるリンク機能。 `target_distribution` が `Binomial` の場合、次の方法で使用できます。 `UNKNOWNIDENTITYLOGLOGITPROBITCOMPL_LOG_LOGPOWERLOG_COMPLNEG_LOG_LOGODDS_POWER` `target_distribution` が `NEG_BINOMIAL` の場合、次の方法で使用できます `NEG_BINOMIAL` `target_distribution` が `UNKNOWN` の場合、次の方法で使用できます `GEN_LOGITCUMUL_LOGITCUMUL_PROBITCUMUL_COMPL_LOG_LOGCUMUL_NEG_LOG_LOGCUMUL_CAUCHIT`
`link_function_param`	番号になります	使用するツイーディパラメータ値。 `normal_link_function` または `link_function_type` が `POWER` の場合のみ適用されます。
`tweedie_param`	番号になります	使用するリンク機能のパラメータ値。 `dist_link_combination` が `TweedieIdentity` に設定されている場合、または `link_function_type` が `TWEEDIE` に設定されている場合のみ適用されます。
`use_predefined_inputs`	フラグ	モデル効果フィールドが上流で定義された入力フィールド（`true` ）のものか、 `fixed_effects_list` （`false` ）のものかを示します。
`model_effects_list`	構造化	`use_predefined_inputs` が `false` の場合、モデル効果フィールドとして使用する入力フィールドを指定します。
`use_intercept`	フラグ	`true` （デフォルト）の場合、モデルにインターセプトを含めます。
`regression_weight_field`	フィールド	解析の重み付けフィールドとして使用するフィールド。
`use_offset`	`None` `Value` `Variable`	オフセットがどのように指定されているかを示します。 `None` の値は、オフセットが使用されていないことを意味します。
`offset_value`	番号になります	`use_offset` が `offset_value` に設定されている場合のオフセットに使用する値。
`offset_field`	フィールド	`use_offset` が `offset_field` に設定されている場合のオフセット値に使用するフィールド。
`target_category_order`	`Ascending` `Descending`	カテゴリ的ターゲットのソート順。デフォルトは `Ascending` です。
`inputs_category_order`	`Ascending` `Descending`	カテゴリカル予測変数のソート順。デフォルトは `Ascending` です。
`max_iterations`	整数	アルゴリズムが実行する最大反復回数。非負整数。デフォルトは100。
`confidence_level`	番号になります	モデル係数の区間推定値を計算する際に使用される信頼水準。非負整数。最大値は100、デフォルト値は95。
`test_fixed_effects_coeffecients`	`Model` `Robust`	パラメータ推定共分散行列の計算方法。
`detect_outliers`	フラグ	真の場合、アルゴリズムは多項分布を除くすべての分布について、影響力のある外れ値を見つけます。
`conduct_trend_analysis`	フラグ	真の場合、アルゴリズムは散布図のトレンド分析を行います。
`estimation_method`	`FISHER_SCORING` `NEWTON_RAPHSON` `HYBRID`	最尤推定アルゴリズムを指定します。
`max_fisher_iterations`	整数	`FISHER_SCORING` `estimation_method` を使用している場合、最大反復回数。最小0、最大20。
`scale_parameter_method`	`MLE` `FIXED` `DEVIANCE` `PEARSON_CHISQUARE`	スケールパラメータの推定に使用する手法を指定します。
`scale_value`	番号になります	`scale_parameter_method` が `Fixed` に設定されている場合のみ利用可能です。
`negative_binomial_method`	`MLE` `FIXED`	負の二項補助パラメータの推定方法について指定する。
`negative_binomial_value`	番号になります	`negative_binomial_method` が `Fixed` に設定されている場合のみ利用可能です。
`use_p_converge`	フラグ	パラメータ収束オプション。
`p_converge`	番号になります	空白、または任意の正の値。
`p_converge_type`	フラグ	真＝絶対、偽＝相対
`use_l_converge`	フラグ	対数尤度の収束オプション。
`l_converge`	番号になります	空白、または任意の正の値。
`l_converge_type`	フラグ	真＝絶対、偽＝相対
`use_h_converge`	フラグ	ヘシアン収束オプション。
`h_converge`	番号になります	空白、または任意の正の値。
`h_converge_type`	フラグ	真＝絶対、偽＝相対
`max_iterations`	整数	アルゴリズムが実行する最大反復回数。非負整数。デフォルトは100。
`sing_tolerance`	整数
`use_model_selection`	フラグ	パラメータのしきい値とモデル選択方法のコントロールを有効にします。
`method`	`LASSO` `ELASTIC_NET` `FORWARD_STEPWISE` `RIDGE`	モデル選択方法、または `Ridge` を使用する場合は正則化法を決定します。
`detect_two_way_interactions`	フラグ	`True` と入力すると、モデルは入力フィールド間の双方向のやりとりを自動的に検出します。この制御は、モデルが主効果のみ（つまり、ユーザーがより高次の効果を作成していない場合）であり、 `method` でForward Stepwise、Lasso、またはElastic Netが選択されている場合にのみ有効にする必要があります。
`automatic_penalty_params`	フラグ	モデル選択 `method` が Lasso または Elastic Net の場合のみ利用可能。この関数を使用して、LassoまたはElastic Netの変数選択方法に関連するペナルティパラメータを入力します。 `True` の場合、デフォルト値が使用されます。 `False` の場合、ペナルティパラメータが有効になっているため、カスタム値を入力することができます。
`lasso_penalty_param`	番号になります	モデル選択 `method` が Lasso または Elastic Net、 `automatic_penalty_params` が `False` の場合のみ利用可能。 Lassoのペナルティパラメータ値を指定します。
`elastic_net_penalty_param1`	番号になります	モデル選択 `method` が Lasso または Elastic Net、 `automatic_penalty_params` が `False` の場合のみ利用可能。 Elastic Net パラメータ1のペナルティパラメータ値を指定します。
`elastic_net_penalty_param2`	番号になります	モデル選択 `method` が Lasso または Elastic Net、 `automatic_penalty_params` が `False` の場合のみ利用可能。 Elastic Net パラメータ2のペナルティパラメータ値を指定します。
`probability_entry`	番号になります	`method` でForward Stepwiseを選択した場合のみ利用可能。効果の包含に対する f 統計量基準の有意水準を指定します。
`probability_removal`	番号になります	`method` でForward Stepwiseを選択した場合のみ利用可能。効果除去のための f 統計基準の有意水準を指定します。
`use_max_effects`	フラグ	`method` でForward Stepwiseを選択した場合のみ利用可能。 `max_effects` の制御を可能にします。 `False` デフォルトで含まれる効果の数は、モデルに供給された効果の総数からインターセプトを引いた数と等しくなければなりません。
`max_effects`	整数	順方向ステップワイズビルド法を使用する際の最大効果数を指定します。
`use_max_steps`	フラグ	`max_steps` の制御を可能にします。 `False` デフォルトのステップ数は、モデルに供給された効果の数からインターセプトを除いた数の3倍に等しくなります。
`max_steps`	整数	段階的フォワードビルド `method` を使用する際に実行する最大ステップ数を指定します。
`use_model_name`	フラグ	モデルにカスタム名を指定する（`true` ）か、システム生成名を使用する（`false` ）かを指定します。デフォルトは `false` です。
`model_name`	ストリング	`use_model_name` が `true` の場合、使用するモデル名を指定します。
`usePI`	フラグ	`true` の場合、予測器の重要度が計算されます。
`perform_model_effect_tests`	ブール値	モデル効果試験を実施するかどうか。
`non_neg_least_squares`	整数	非負最小二乗法を実行するかどうか。