核心脊迴歸

核心脊迴歸是使用 Python sklearn.kernel_ridge.KernelRidge 類別來估計核心脊迴歸模型的延伸程序。 核心脊迴歸模型是一種無母數迴歸模型，能夠在預測變數和結果之間建模線性和非線性關係。 結果對模型超參數的選擇可能高度敏感。 核心脊迴歸使用 sklearn.model_selection.GridSearchCV 類別，在指定的值網格上透過 k 倍交叉驗證選擇超參數值。

範例
統計資料
Additive_CHI2、CHI2、餘弦、拉普拉斯算子、線性、多項式、RBF、Sigmoid、Alpha、Gamma、Coef0、Degree、交叉驗證、觀察值與預測值、殘差與預測值、雙重加權係數、核心空間加權係數。

資料考量

日期
  • 您可以指定任何或全部八個不同的核心函數。
  • 選取的核心函數決定哪些超參數在作用中。
  • 超參數包括所有核心共用的脊規則化的 alpha，加上每個特定核心函數中的最多三個其他超參數。
  • 當指定了多個核心次指令，或指定了任何參數的多個值時，會執行具有交互驗證以評估模型的網格搜尋，並選取以保留資料為基礎的最適合模型。
  • 該延伸會使用「加權觀察值」程序，接受「分割檔案」程序和加權的分割變數。
  • 當包含加權時，它們會用於在所有分析中建立適合的值。 由於 sklearn.model_selection.GridSearchCV 類別中評分方法的限制，用於模型選擇的交叉驗證評估不會加權。
假設

取得核心脊迴歸

此功能需要 自訂表格及進階統計量。

  1. 從功能表中選擇：

    分析 > 迴歸 > 核心脊 ...

  2. 選取一個因變數。
  3. 選取一或多個獨立變數。
  4. 當指定每一個核心函數參數的一個值時，會使用預設的單一模型設定。 當選取單一模型設定時，您無法在整個結果的分析、評估及評分中完全套用其他核心函數和加權。 您也可以使用上移鍵和下移鍵控制項來重新排列核心函數。

    您也可以從模式清單中選取模式選擇。

    從模式清單中選取模式選擇時，您可以將多個核心函數新增至核心清單中。
    1. 按一下新增控制項 (+)，以包含其他核心函數。
    2. 按一下核心直欄中的空白儲存格，以選取核心函數。
    3. 按兩下任何核心函數列資料格，以指定對應直欄的核心函數參數值（Alpha、Gamma、Coef0、Degree）。 如需相關資訊，請參閱 核心參數。 下面列出預設核心函數調整參數。
      Additive_CHI2
      ALPHA=1 GAMMA=1
      CHI2
      ALPHA=1 GAMMA=1
      餘弦
      ALPHA=1
      拉普拉斯算子
      ALPHA=1 GAMMA=1/p
      線性
      預設核心函數。 ALPHA=1
      多項式
      ALPHA=1 GAMMA=1/p COEF0=1 DEGREE=3
      RBF
      ALPHA=1 GAMMA=1/p
      Sigmoid
      ALPHA=1 GAMMA=1/p COEF0=1
    附註: 指定任何核心函數參數的多個值時，會執行具有交叉驗證的網格搜尋以評估模型，並選取基於保留資料的最佳配適模型。
  5. 您也可以按一下選項，指定交叉驗證摺疊、顯示選項、圖形設定及要儲存的項目。 如需相關資訊，請參閱 Kernel Rridge Regression: Options。
  6. 按一下確定。

此程序會貼上 KRR 指令語法。