バックアップ

GLMでは説明変数と目的変数の間に線形な相関があることが前提としていた。 しかしGAMは説明変数と目的変数が線形な相関を持たない場合にでも対応できるように、スプライン関数等を用いて、説明変数を非線形に変換する https://www.slideshare.net/DeepLearni…

https://medium.com/@babydegu/%E6%99%82%E7%B3%BB%E5%88%97%E4%BA%88%E6%B8%AC%E3%83%84%E3%83%BC%E3%83%ABfacebook-prophet%E3%82%92%E4%BD%BF%E3%81%84python%E3%81%A7%E6%A7%98%E3%80%85%E3%81%AA%E3%83%87%E3%83%BC%E3%82%BF%E3%81%8B%E3%82%89%E4%BA%8…

http://testblog234wfhb.blogspot.com/2014/07/generalized-additive-model.html

一般加法モデル それぞれの変数に平滑化スプラインをし、重回帰のように足して予測 https://rmizutaa.hatenablog.com/entry/2019/03/23/201720 交互作用項を含めた一般加法モデル https://qiita.com/saltcooky/items/d5a1a62756d10273b008

データの補完方法 https://qiita.com/ground0state/items/5fa0743837f1bcb374ca 3次スプライン補間：離散点間を３次の多項式で補間 cubic （３次の、立方体の） https://qiita.com/sci_Haru/items/059887598e4f21b4b636 ラグランジュ補間：与えられたN+1個の…

https://qiita.com/snuow/items/2504a6b2dc6cbc735e5a

一般化線形モデル 応答変数が正規分布以外の確率分布に従う場合にも使えるようにした線形モデル 〇 体重＝β_0+β_1*身長 × 服のサイズ＝β_0+β_1*身長 右辺は線形予測子と呼ばれる 服のサイズは離散値である テストの合否(1,0)=β_0+β_1*勉強時間 合格率は１～…

①近傍の個数を決定 ②アルゴリズム（ball_tree,kd_tree,brute等）データから近傍を決定する予測線を構築する(fit) https://saket.hatenadiary.org/entry/20130213/1360747549 ③ある値が来た時に予測を出力(predict)