提供以下模型拟合选项:
变换协变量
使用 Johnson Su 或 Johnson Sb 分布将所有连续变量变换为接近正态性。变换连续变量有助于减轻离群值或高偏斜分布的不利影响。请参见模型选项中的“保存变换的协变量”选项。
稳健拟合
使用最小绝对偏差而不是最小二乘来训练模型。若您想要将离群值的影响降到最小,该选项会很有用。该选项仅适用于连续响应。
惩罚方法
选择惩罚方法。为了降低神经网络过拟合数据的趋势,拟合过程引入了似然惩罚。请参见惩罚方法。
历程数
指定重新开始拟合过程的次数,每次迭代都使用不同的随机起始点进行参数估计。具有最佳验证统计量的迭代将被选为最终模型。
罚值为 λp(βi),其中 λ 是惩罚参数,p( ) 是参数估计值的函数,称为惩罚函数。验证用于找到惩罚参数的最优值。
方法 | 惩罚函数 | 说明 |
---|---|---|
平方 | 若您认为大多数 X 变量都对模型的预测能力有贡献,则使用该方法。 | |
绝对值 | 若 X 变量数量很多并且一小部分的贡献超过其他部分,则使用这两种方法之一。 | |
加权衰减 | ||
无惩罚 | 无 | 不使用惩罚。若您有大量数据同时希望拟合过程快速完成,则可以使用该选项。不过,该选项会导致模型的预测能力不如使用惩罚的模型。 |