statsmodels.regression.dimred.SlicedInverseReg.fit_regularized¶

SlicedInverseReg.fit_regularized(ndim=1, pen_mat=None, slice_n=20, maxiter=100, gtol=0.001, **kwargs)[source]¶

使用正则化SIR估计EDR空间。

Parameters:¶

ndimint

要估计的EDR方向的数量

pen_matarray_like

一个二维数组，使得dot(pen_mat, dirs)`的Frobenius范数的平方被添加到目标函数中，其中dirs是一个正交数组，其列跨越估计的EDR空间。

slice_nint, optional

每个切片的观测目标数量

maxiter :int

估计EDR空间的最大迭代次数。

gtolfloat

如果目标函数的梯度的范数低于此值，算法已收敛。

Returns:¶

A results class instance.

注释

如果exog的每一行可以被视为包含在等间距位置上评估的函数值，那么将pen_mat的行设置为[[1, -2, 1, …], [0, 1, -2, 1, ..], …]将给出平滑的EDR系数。这是一种使用平方二阶导数作为惩罚的“函数性SIR”形式。

参考文献

L. Ferre, A.F. Yao (2003). 函数切片逆回归分析。统计学：理论与应用统计学期刊 37(6) 475-488。