statsmodels.gam.generalized_加性_模型.GLMGam¶
-
class statsmodels.gam.generalized_additive_model.GLMGam(endog, exog=
None, smoother=None, alpha=0, family=None, offset=None, exposure=None, missing='none', **kwargs)[source]¶ 广义加性模型 (GAM)
这继承自 GLM。
警告：并非所有继承的方法都能正确考虑惩罚项。包括偏移和暴露在内的所有选项尚未完全验证。
- Parameters:¶
- endogarray_like
响应变量。
- exogarray_like or
None 这些解释变量被视为线性的。在这种情况下，模型是一个部分线性模型。
- smoother
instanceofadditivesmootherclass 平滑实例的示例包括B样条或循环三次样条。
- alpha
floatorlistoffloats 平滑项的惩罚权重。列表的长度需要与
smoother中的平滑项数量相同。- family
instanceofGLMfamily 查看广义线性模型（GLM）。
- offset
Noneor array_like 查看广义线性模型（GLM）。
- exposure
Noneor array_like 查看广义线性模型（GLM）。
- missing‘none’
此类不支持缺失值处理。
- **kwargs
在调用超类时使用了额外的关键字。
- Attributes:¶
endog_names内生变量的名称。
exog_names外生变量的名称。
注释
状态: 实验性。对于高斯和泊松（不带偏移量和暴露量）的核心结果，已经进行了全面的单元测试覆盖。其他选项和附加结果可能尚未得到正确支持。（二项分布带计数，即带n_trials，在pirls中很可能是错误的。用户指定的var或freq权重也很可能对所有结果不正确。）
方法
estimate_scale(mu)估计离散度/尺度。
estimate_tweedie_power(mu[, method, low, high])Tweedie 特定函数用于估计尺度参数和方差参数。
fit([start_params, maxiter, method, tol, ...])估计参数并创建GLMGamResults类的实例
fit_constrained(约束[, start_params])拟合受线性等式约束的模型
fit_regularized([方法, alpha, ...])返回一个正则化的线性回归模型的拟合结果。
from_formula(公式, 数据[, 子集, 删除列])从公式和数据框创建模型。
get_distribution(params[, scale, exog, ...])返回预测分布的一个实例。
hessian(params[, pen_weight])模型在参数处的Hessian
hessian_factor(params[, scale, observed])计算Hessian的权重
hessian_numdiff(params[, pen_weight])基于有限差分的Hessian矩阵
information(参数[, 尺度])费舍尔信息矩阵。
初始化一个广义线性模型。
loglike(params[, pen_weight])模型在参数处的对数似然值
loglike_mu(mu[, scale])评估广义线性模型的对数似然值。
loglikeobs(params[, pen_weight])模型观测值在参数处的对数似然
predict(params[, exog, exposure, offset, ...])返回设计矩阵的预测值
score(params[, pen_weight])模型在参数处的梯度
score_factor(params[, scale])每个观测值的分数权重
score_numdiff(params[, pen_weight, method])基于有限差分导数的分数
score_obs(params[, pen_weight])模型观测值在参数处的梯度
score_test(params_constrained[, ...])用于限制条件或遗漏变量的得分检验
select_penweight([criterion, start_params, ...])通过最小化结果准则来找到alpha
select_penweight_kfold([alphas, ...])通过k折交叉验证找到alpha值
属性
内生变量的名称。
外生变量的名称。