範例 (KRR 指令)

KRR y WITH x1 TO x5
   /KERNEL RBF(ALPHA=.75).

• 延伸會在共變數清單 x1 TO x5上執行 y 的核心脊迴歸，其中包括變數 x1、 x5以及 x1 與 x5之間作用中資料集內的任何變數。
• 使用 RBF 或半徑式函數核心類型。
• 規則化強度參數 ALPHA 設為 .75，這會導致規則化少於預設值 1。
• 未指定 GAMMA 參數，這表示 sklearn 預設值 1/p 會傳遞至 Python。

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

• 延伸會在 x上執行 y 的核心脊迴歸。
• 使用多項式核心。
• 多項式的次數為 2，表示二次函數。
• 多項式核心的 0 係數設為其預設值 1。
• 核心中的 gamma 值保留為預設值 1/p。
• Alpha 規則化參數會保留預設值 1。
• 即會顯示殘差與預測值的散佈圖。
• 預測值、殘差和雙重空間係數加權會使用預設名稱來儲存。

KRR y WITH x
   /KERNEL RBF(ALPHA=.5 TO 1.5 BY .1 GAMMA=.01 .1 1)
   /KERNEL SIGMOID(ALPHA=.5 TO 1.5 BY .1 GAMMA=.01 .1 1 COEF0=0 1)
   /CROSSVALID NFOLDS=10
   /CRITERIA TIMER=15
   /PRINT COMPARE
   /SAVE PRED RESID.

• 指定使用交叉驗證的網格搜尋，以選取最佳模型。
• 對於 RBF 核心，會產生 30 個模型，其中 ALPHA 使用 10 個不同的值， GAMMA使用 3 個不同的值。
• 對於 SIGMOID 核心，會產生 60 個模型，其中 ALPHA使用 10 個不同的值， GAMMA使用 3 個不同的值， COEF0使用 2 個不同的值。
• 每一個模型估計十次，並使用平均交叉驗證 R2 來評量模型精確度。
• CRITERIA 次指令上的 TIMER 規格容許 15 分鐘執行。