propriétés gle

Dernière mise à jour : 12 févr. 2025

propriétés gle

Icône de noeud GLE Un GLE élargit le modèle linéaire de sorte que la cible puisse avoir une distribution non normale, qu'elle soit liée linéairement aux facteurs et covariables via une fonction de lien spécifiée, et que les observations puissent être corrélées. Les modèles mixtes linéaires généralisés couvrent une large variété de modèles, depuis les modèles de régression linéaire simple aux modèles multi-niveaux complexes destinés aux données longitudinales non normales.

Tableau 1. propriétés gle
Propriétés `gle`	Valeurs	Description de la propriété
`custom_target`	option	Indique s'il faut utiliser la cible définie dans le noeud en amont (`false`) ou la cible personnalisée spécifiée par `target_field` (`true`).
`target_field`	Zone	Champ à utiliser comme cible si `custom_target` est `true`.
`use_trials`	option	Indique si un champ supplémentaire ou une valeur spécifiant le nombre d'essais doit être utilisé lorsque la réponse cible est un nombre d'événements se produisant dans un ensemble d'essais. La valeur par défaut est `false`.
`use_trials_field_or_value`	`Field` `Value`	Indique si un champ (par défaut) ou une valeur est utilisé pour spécifier le nombre d'essais.
`trials_field`	Zone	Champ à utiliser pour spécifier le nombre d'essais.
`trials_value`	Integer	Valeur à utiliser pour spécifier le nombre d'essais. Si spécifiée, la valeur minimum est 1.
`use_custom_target_reference`	option	Indique si la catégorie de référence personnalisée doit être utilisée pour une cible catégorielle. La valeur par défaut est `false`.
`target_reference_value`	chaîne	Catégorie de référence à utiliser si `use_custom_target_reference` est `true`.
`dist_link_combination`	`NormalIdentity` `GammaLog` `PoissonLog` `NegbinLog` `TweedieIdentity` `NominalLogit` `BinomialLogit` `BinomialProbit` `BinomialLogC` `CUSTOM`	Modèles standard pour la distribution des valeurs de la cible. Choisissez `CUSTOM` pour spécifier une distribution dans la liste fournie par `target_distribution`.
`target_distribution`	`Normal` `Binomial` `Multinomial` `Gamma` `INVERSE_GAUSS` `NEG_BINOMIAL` `Poisson` `TWEEDIE` `UNKNOWN`	Distribution des valeurs de la cible lorsque `dist_link_combination` est `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`	Fonction de lien pour associer les valeurs cibles aux prédicteurs. Si `target_distribution` est `Binomial` , vous pouvez utiliser : `UNKNOWNIDENTITYLOGLOGITPROBITCOMPL_LOG_LOGPOWERLOG_COMPLNEG_LOG_LOGODDS_POWER` Si `target_distribution` est `NEG_BINOMIAL`, vous pouvez utiliser : `NEG_BINOMIAL` Si `target_distribution` est `UNKNOWN`, vous pouvez utiliser : `GEN_LOGITCUMUL_LOGITCUMUL_PROBITCUMUL_COMPL_LOG_LOGCUMUL_NEG_LOG_LOGCUMUL_CAUCHIT`
`link_function_param`	number	Valeur de paramètre Tweedie à utiliser. Ne s'applique que si `normal_link_function` ou `link_function_type` est `POWER`.
`tweedie_param`	number	Valeur de paramètre de fonction de lien à utiliser. S'applique uniquement si `dist_link_combination` est défini sur `TweedieIdentity`, ou `link_function_type` est `TWEEDIE`.
`use_predefined_inputs`	option	Indique si les champs d'effet du modèle doivent être ceux qui ont été définis en amont comme champs de saisie (`true`) ou ceux provenant de `fixed_effects_list` (`false`).
`model_effects_list`	structuré	Si `use_predefined_inputs` est `false`, spécifie les champs de saisie à utiliser comme champs d'effet du modèle.
`use_intercept`	option	Si `true` (par défaut), inclut l'interception dans le modèle.
`regression_weight_field`	Zone	Champ à utiliser comme champ de pondération d'analyse.
`use_offset`	`None` `Value` `Variable`	Indique comment le décalage est spécifié. La valeur `None` signifie qu'aucun décalage n'est utilisé.
`offset_value`	number	Valeur à utiliser pour le décalage si `use_offset` est défini sur `offset_value`.
`offset_field`	Zone	Champ à utiliser pour la valeur de décalage si `use_offset` est défini sur `offset_field`.
`target_category_order`	`Ascending` `Descending`	Ordre de tri des cibles catégorielles. La valeur par défaut est `Ascending`.
`inputs_category_order`	`Ascending` `Descending`	Ordre de tri pour les prédicteurs indépendants. La valeur par défaut est `Ascending`.
`max_iterations`	Integer	Nombre maximum d'itérations que l'algorithme effectuera. Un entier positif ; la valeur par défaut est 100.
`confidence_level`	number	Niveau de confiance utilisé pour calculer les estimations d'intervalle des coefficients de modèle. Un entier positif ; le nombre maximum est 100, la valeur par défaut est 95.
`test_fixed_effects_coeffecients`	`Model` `Robust`	Méthode de calcul de la matrice de covariance des estimations de paramètre.
`detect_outliers`	option	Lorsque la valeur est true, l'algorithme détecte les valeurs extrêmes influentes de toutes les distributions, sauf la distribution multinomiale.
`conduct_trend_analysis`	option	Lorsque la valeur est true, l'algorithme mène une analyse de tendance pour le nuage de points.
`estimation_method`	`FISHER_SCORING` `NEWTON_RAPHSON` `HYBRID`	Indiquez l'algorithme d'estimation du maximum de vraisemblance.
`max_fisher_iterations`	Integer	Si vous utilisez `FISHER_SCORING` `estimation_method`, le nombre maximal d'itérations. Minimum 0, maximum 20.
`scale_parameter_method`	`MLE` `FIXED` `DEVIANCE` `PEARSON_CHISQUARE`	Indiquez la méthode à utiliser pour l'estimation du paramètre d'échelle.
`scale_value`	number	Uniquement disponible si `scale_parameter_method` est défini sur `Fixed`.
`negative_binomial_method`	`MLE` `FIXED`	Indiquez la méthode à utiliser pour l'estimation du paramètre auxiliaire de la distribution binomiale négative.
`negative_binomial_value`	number	Uniquement disponible si `negative_binomial_method` est défini sur `Fixed`.
`use_p_converge`	option	Option pour la convergence de paramètres.
`p_converge`	number	Vide ou valeur positive.
`p_converge_type`	option	True = Absolu, False = Relatif
`use_l_converge`	option	Option pour la convergence du log de vraisemblance.
`l_converge`	number	Vide ou valeur positive.
`l_converge_type`	option	True = Absolu, False = Relatif
`use_h_converge`	option	Option pour la convergence hessienne.
`h_converge`	number	Vide ou valeur positive.
`h_converge_type`	option	True = Absolu, False = Relatif
`max_iterations`	Integer	Nombre maximum d'itérations que l'algorithme effectuera. Un entier positif ; la valeur par défaut est 100.
`sing_tolerance`	Integer
`use_model_selection`	option	Active le seuil de paramètre et les contrôles de la méthode de sélection du modèle.
`method`	`LASSO` `ELASTIC_NET` `FORWARD_STEPWISE` `RIDGE`	Détermine la méthode de sélection du modèle ou, si vous utilisez `Ridge`, la méthode de régularisation utilisée.
`detect_two_way_interactions`	option	Lorsque `True` le modèle détectera automatiquement les interactions bidirectionnelles entre les champs de saisie. Ce contrôle ne doit être activé que si le modèle a uniquement des effets principaux (c'est-à-dire si l'utilisateur n'a pas créé d'effets d'ordre supérieur) et si la méthode `method` sélectionnée est Pas à pas ascendante, Lasso ou Elastic Net.
`automatic_penalty_params`	option	Uniquement disponible si la sélection de modèle `method` est Lasso ou Elastic Net. Utilisez cette fonction pour entrer des paramètres de pénalité associés aux méthodes de sélection de variable Lasso ou Elastic Net. Si la valeur est `True`, les valeurs par défaut sont utilisées. Si elle est `False`, les paramètres de pénalité sont des valeurs personnalisées activées qui peuvent être entrées.
`lasso_penalty_param`	number	Uniquement disponible si la sélection de modèle `method` est Lasso ou Elastic Net et si `automatic_penalty_params` est `False`. Indiquez la valeur de paramètre de pénalité de Lasso.
`elastic_net_penalty_param1`	number	Uniquement disponible si la sélection de modèle `method` est Lasso ou Elastic Net et si `automatic_penalty_params` est `False`. Indiquez la valeur de paramètre de pénalité du paramètre 1 de Elastic Net.
`elastic_net_penalty_param2`	number	Uniquement disponible si la sélection de modèle `method` est Lasso ou Elastic Net et si `automatic_penalty_params` est `False`. Indiquez la valeur de paramètre de pénalité du paramètre 2 de Elastic Net.
`probability_entry`	number	Uniquement disponible si le `method` sélectionné est Avancer pas à pas. Indiquez le niveau d'importance du critère de statistiques F de l'inclusion d'effet.
`probability_removal`	number	Uniquement disponible si le `method` sélectionné est Avancer pas à pas. Indiquez le niveau d'importance du critère de statistiques F de la suppression d'effet.
`use_max_effects`	option	Uniquement disponible si le `method` sélectionné est Avancer pas à pas. Active le contrôle `max_effects`. Lorsque la valeur est `False`, le nombre d'effets par défaut inclus doit être égal au nombre total d'effets fournis au modèle, moins la constante.
`max_effects`	Integer	Spécifiez le nombre maximum d'effets lorsque vous utilisez la méthode de génération pas à pas ascendante.
`use_max_steps`	option	Active le contrôle `max_steps`. Lorsque la valeur est `False`, le nombre d'étapes par défaut inclus doit être égal à trois fois le nombre total d'effets fournis au modèle, sauf la constante.
`max_steps`	Integer	Indiquez le nombre maximal d'étapes à effectuer lors de la génération Avancer pas à pas`method`.
`use_model_name`	option	Indique s'il faut spécifier un nom personnalisé pour le modèle (`true`) ou utiliser le nom généré par le système (`false`). La valeur par défaut est `false`.
`model_name`	chaîne	Si `use_model_name` est `true`, indique le nom du modèle à utiliser.
`usePI`	option	Si `true`, l'importance du prédicteur est calculée.
`perform_model_effect_tests`	Booléen	Indique s'il faut effectuer des tests d'effet de modèle.
`non_neg_least_squares`	Integer	Indiquez s'il convient de calculer les moindres carrés non négatifs.

La rubrique a-t-elle été utile ?

0/1000