Propiedades de gle

Última actualización: 12 feb 2025

Propiedades de gle

Icono de nodo GLE Un GLE amplía el modelo lineal de forma que el objetivo puede tener una distribución no normal, está relacionado de forma lineal con los factores y las covariables a través de una función de enlace especificada y las observaciones se pueden correlacionar. Los modelos lineales mixtos generalizados cubren una amplia variedad de modelos, desde modelos de regresión lineal simple hasta modelos multinivel complejos para datos longitudinales no normales.

Tabla 1. propiedades de gle
Propiedades de `gle`	Valores	Descripción de la propiedad
`custom_target`	distintivo	Indica si se debe utilizar el destino definido en el nodo en sentido ascendente (`false`) o el destino personalizado especificado por `target_field` (`true`).
`target_field`	campo	Campo a utilizar como destino si `custom_target` es `true`.
`use_trials`	distintivo	Indica si hay que utilizar el campo adicional o el valor que especifica el número de ensayos cuando la respuesta objetivo es un número de eventos que tienen lugar en un conjunto de ensayos. El valor predeterminado es `false`.
`use_trials_field_or_value`	`Field` `Value`	Indica si se utiliza el campo (valor predeterminado) o valor para especificar el número de ensayos.
`trials_field`	campo	Campo a utilizar para especificar el número de ensayos.
`trials_value`	entero	Valor a utilizar para especificar el número de ensayos. Si se especifica, el valor mínimo es 1.
`use_custom_target_reference`	distintivo	Indica si hay que utilizar la categoría de referencia personalizada para un objetivo categórico. El valor predeterminado es `false`.
`target_reference_value`	serie	Categoría de referencia a utilizar si `use_custom_target_reference` es `true`.
`dist_link_combination`	`NormalIdentity` `GammaLog` `PoissonLog` `NegbinLog` `TweedieIdentity` `NominalLogit` `BinomialLogit` `BinomialProbit` `BinomialLogC` `CUSTOM`	Modelos comunes para la distribución de valores de objetivo. Seleccione `CUSTOM` para especificar una distribución de la lista proporcionada por `target_distribution`.
`target_distribution`	`Normal` `Binomial` `Multinomial` `Gamma` `INVERSE_GAUSS` `NEG_BINOMIAL` `Poisson` `TWEEDIE` `UNKNOWN`	Distribución de valores para el destino cuando `dist_link_combination` es `Custom`.
`link_function_type`	`UNKNOWN` `IDENTITY` `LOG` `LOGIT` `PROBIT` `COMPL_LOG_LOG` `POWER` `LOG_COMPL` `NEG_LOG_LOG` `ODDS_POWER` `NEG_BINOMIAL` `GEN_LOGIT` `CUMUL_LOGIT` `CUMUL_PROBIT` `CUMUL_COMPL_LOG_LOG` `CUMUL_NEG_LOG_LOG` `CUMUL_CAUCHIT`	Función de enlace para relacionar valores de objetivo a los predictores. Si `target_distribution` es `Binomial` puede utilizar: `UNKNOWNIDENTITYLOGLOGITPROBITCOMPL_LOG_LOGPOWERLOG_COMPLNEG_LOG_LOGODDS_POWER` Si `target_distribution` es `NEG_BINOMIAL` puede utilizar: `NEG_BINOMIAL` Si `target_distribution` es `UNKNOWN`, puede utilizar: `GEN_LOGITCUMUL_LOGITCUMUL_PROBITCUMUL_COMPL_LOG_LOGCUMUL_NEG_LOG_LOGCUMUL_CAUCHIT`
`link_function_param`	número	Valor del parámetro Tweedie que hay que utilizar. Sólo es aplicable si `normal_link_function` o `link_function_type` es `POWER`.
`tweedie_param`	número	Valor del parámetro de función de enlace que hay que utilizar. Sólo es aplicable si `dist_link_combination` está establecido en `TweedieIdentity` o `link_function_type` es `TWEEDIE`.
`use_predefined_inputs`	distintivo	Indica si los campos de efecto de modelo son los definidos en sentido ascendente como campos de entrada (`true`) o los de `fixed_effects_list` (`false`).
`model_effects_list`	estructurado	Si `use_predefined_inputs` es `false`, especifica los campos de entrada que se utilizarán como campos de efecto de modelo.
`use_intercept`	distintivo	Si `true` (valor predeterminado), incluye la intersección en el modelo.
`regression_weight_field`	campo	Campo a utilizar como campo de ponderación de análisis.
`use_offset`	`None` `Value` `Variable`	Indica cómo se especifica la compensación. El valor `None` significa que no se utiliza ningún desplazamiento.
`offset_value`	número	Valor a utilizar para el desplazamiento si `use_offset` está establecido en `offset_value`.
`offset_field`	campo	Campo a utilizar para el valor de desplazamiento si `use_offset` se establece en `offset_field`.
`target_category_order`	`Ascending` `Descending`	Orden de clasificación para objetivos categóricos. El valor predeterminado es `Ascending`.
`inputs_category_order`	`Ascending` `Descending`	Orden de clasificación para predictores categóricos. El valor predeterminado es `Ascending`.
`max_iterations`	entero	Número máximo de iteraciones que ejecutará el algoritmo. Un número entero no negativo; el valor predeterminado es 100.
`confidence_level`	número	Nivel de confianza utilizado para calcular estimaciones de intervalo de los coeficientes del modelo. Un número entero no negativo; el valor máximo es 100, el valor predeterminado es 95.
`test_fixed_effects_coeffecients`	`Model` `Robust`	Método para calcular la matriz de covarianza de las estimaciones de los parámetros.
`detect_outliers`	distintivo	Si es verdadero, el algoritmo encuentra valores atípicos de influencia para todas las distribuciones excepto para la distribución multinomial.
`conduct_trend_analysis`	distintivo	Si el verdadero, el algoritmo realiza un análisis de tendencias para el diagrama de dispersión.
`estimation_method`	`FISHER_SCORING` `NEWTON_RAPHSON` `HYBRID`	Especifica el algoritmo de estimación de máxima verosimilitud.
`max_fisher_iterations`	entero	Si utiliza `FISHER_SCORING` `estimation_method`, el número máximo de iteraciones. Mínimo 0, máximo 20.
`scale_parameter_method`	`MLE` `FIXED` `DEVIANCE` `PEARSON_CHISQUARE`	Especifique el método que se va a utilizar para la estimación del parámetro de escala.
`scale_value`	número	Sólo está disponible si `scale_parameter_method` está establecido en `Fixed`.
`negative_binomial_method`	`MLE` `FIXED`	Especifique el método que se va a utilizar para la estimación del parámetro auxiliar binomial negativo.
`negative_binomial_value`	número	Sólo está disponible si `negative_binomial_method` está establecido en `Fixed`.
`use_p_converge`	distintivo	Opción para la convergencia de parámetros.
`p_converge`	número	Blanco, o cualquier valor positivo.
`p_converge_type`	distintivo	Verdadero = Absoluto, Falso = Relativo
`use_l_converge`	distintivo	Opción para la convergencia log-likelihood.
`l_converge`	número	Blanco, o cualquier valor positivo.
`l_converge_type`	distintivo	Verdadero = Absoluto, Falso = Relativo
`use_h_converge`	distintivo	Opción para la convergencia hessiana.
`h_converge`	número	Blanco, o cualquier valor positivo.
`h_converge_type`	distintivo	Verdadero = Absoluto, Falso = Relativo
`max_iterations`	entero	Número máximo de iteraciones que ejecutará el algoritmo. Un número entero no negativo; el valor predeterminado es 100.
`sing_tolerance`	entero
`use_model_selection`	distintivo	Habilita los controles de umbral de parámetro y de método de selección de modelos.
`method`	`LASSO` `ELASTIC_NET` `FORWARD_STEPWISE` `RIDGE`	Determina el método de selección del modelo, o si utiliza `Ridge` el método de regularización utilizado.
`detect_two_way_interactions`	distintivo	Cuando `True` el modelo detectará automáticamente interacciones bidireccionales entre campos de entrada. Este control solo debería estar habilitado si el modelo es solo efectos principales (es decir, donde el usuario no ha creado ningún efecto de orden superior) y si el `method` seleccionado es Paso adelante, Lazo, o Red elástica.
`automatic_penalty_params`	distintivo	Sólo está disponible si la selección de modelo `method` es Lasso o Red elástica. Utilice esta función para especificar los parámetros de penalización asociados a los métodos de selección de variables Lasso o Red elástica. Si es `True`, se utilizan los valores predeterminados. Si es `False`, se pueden especificar los parámetros de penalización y los valores personalizados habilitados.
`lasso_penalty_param`	número	Sólo está disponible si la selección de modelo `method` es Lasso o Red elástica y `automatic_penalty_params` es `False`. Especifique el valor del parámetro de penalización para Lasso.
`elastic_net_penalty_param1`	número	Sólo está disponible si la selección de modelo `method` es Lasso o Red elástica y `automatic_penalty_params` es `False`. Especifique el valor del parámetro de penalización para el parámetro 1 de Red elástica.
`elastic_net_penalty_param2`	número	Sólo está disponible si la selección de modelo `method` es Lasso o Red elástica y `automatic_penalty_params` es `False`. Especifique el valor del parámetro de penalización para el parámetro 2 de Red elástica.
`probability_entry`	número	Sólo está disponible si el `method` seleccionado es Avanzar por pasos. Especifique el nivel de significación del criterio estadístico F para la inclusión de efectos.
`probability_removal`	número	Sólo está disponible si el `method` seleccionado es Avanzar por pasos. Especifique el nivel de significación del criterio estadístico F para la eliminación de efectos.
`use_max_effects`	distintivo	Sólo está disponible si el `method` seleccionado es Avanzar por pasos. Habilita el control `max_effects`. Si es `False`, el número de efectos predeterminado incluido debería ser igual al número total de efectos proporcionados al modelo, menos la interceptación.
`max_effects`	entero	Especifique el número máximo de efectos cuando se utiliza el método de creación de paso adelante.
`use_max_steps`	distintivo	Habilita el control de `max_steps`. Si es `False`, el número predeterminado de pasos debe ser igual a tres veces el número de efectos proporcionado al modelo, excluyendo la interceptación.
`max_steps`	entero	Especifique el número máximo de pasos que se deben realizar al utilizar la generación Avanzar por pasos `method`.
`use_model_name`	distintivo	Indica si se debe especificar un nombre personalizado para el modelo (`true`) o utilizar el nombre generado por el sistema (`false`). El valor predeterminado es `false`.
`model_name`	serie	Si `use_model_name` es `true`, especifica el nombre del modelo a utilizar.
`usePI`	distintivo	Si `true`, se calcula la importancia del predictor.
`perform_model_effect_tests`	Boolean	Indica si se deben realizar pruebas de efecto de modelo.
`non_neg_least_squares`	entero	Si se deben realizar mínimos cuadrados negativos.

¿Fue útil el tema?

0/1000