gle プロパティー

資料の英語版に戻る

gle プロパティー

最終更新: 2024年10月04日

gle プロパティー

GLE ノード・アイコン GLE は、対象を非正規分布とできるように線型モデルを拡張したものであり、指定されたリンク関数を介して因子および共変量に線形に関連し、観測が相関できるようになりました。一般化線型混合モデルには、単純な線型から、非正規分布の縦断的データを取り扱う複雑なマルチレベル・モデルまで、さまざまなモデルがあります。

表 1. プロパティーの表示
`gle`プロパティー	値	プロパティーの説明
`custom_target`	フラグ	上流ノード (`false`) で定義されたターゲットを使用するか、`target_field` (`true`) で指定されたカスタム・ターゲットを使用するかを示します。
`target_field`	フィールド	`custom_target`が`true`の場合にターゲットとして使用するフィールドです。
`use_trials`	フラグ	試行回数を指定する追加フィールド又は値を、対象フィールドが一連の試行が発生する様々なイベントである場合に使用するかどうかを示します。デフォルトは`false`です。
`use_trials_field_or_value`	`Field` `Value`	フィールドまたは値を使用して試行回数を指定するかどうかを示します。
`trials_field`	フィールド	試行回数の指定に使用するフィールド。
`trials_value`	整数	試行回数の指定に使用する値。指定する場合、最小値は 1 です。
`use_custom_target_reference`	フラグ	カスタム参照カテゴリーをカテゴリー型対象に使用するかどうかを示します。デフォルトは`false`です。
`target_reference_value`	string	`use_custom_target_reference`が`true`の場合に使用する参照カテゴリーです。
`dist_link_combination`	`NormalIdentity` `GammaLog` `PoissonLog` `NegbinLog` `TweedieIdentity` `NominalLogit` `BinomialLogit` `BinomialProbit` `BinomialLogC` `CUSTOM`	対象の値の分布に関する一般モデル。 `target_distribution`によって提供されるリストから配布を指定するには、`CUSTOM`を選択します。
`target_distribution`	`Normal` `Binomial` `Multinomial` `Gamma` `INVERSE_GAUSS` `NEG_BINOMIAL` `Poisson` `TWEEDIE` `UNKNOWN`	`dist_link_combination`が`Custom`の場合のターゲットの値の分布です。
`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`	対象値を予測値に関連付けるリンク関数。 `target_distribution`が`Binomial`の場合は、を使用できます。 `UNKNOWNIDENTITYLOGLOGITPROBITCOMPL_LOG_LOGPOWERLOG_COMPLNEG_LOG_LOGODDS_POWER` `target_distribution`が`NEG_BINOMIAL`の場合は、以下を使用できます。 `NEG_BINOMIAL` `target_distribution`が`UNKNOWN`の場合は、以下を使用できます。 `GEN_LOGITCUMUL_LOGITCUMUL_PROBITCUMUL_COMPL_LOG_LOGCUMUL_NEG_LOG_LOGCUMUL_CAUCHIT`
`link_function_param`	数値	使用する Tweedie パラメータ。 `normal_link_function`または`link_function_type`が`POWER`の場合にのみ適用されます。
`tweedie_param`	数値	使用するリンク関数パラメーター値。 `dist_link_combination`が`TweedieIdentity`に設定されている場合、または`link_function_type`が`TWEEDIE`である場合にのみ適用されます。
`use_predefined_inputs`	フラグ	モデル効果フィールドを、入力フィールド (`true`) として上流に定義されたフィールドにするか、 `fixed_effects_list` (`false`) から定義されたフィールドにするかを示します。
`model_effects_list`	構造化	`use_predefined_inputs`が`false`の場合、モデル効果フィールドとして使用する入力フィールドを指定します。
`use_intercept`	フラグ	`true` (デフォルト) の場合、モデルに切片を含めます。
`regression_weight_field`	フィールド	分析の重みフィールドとして使用するフィールド。
`use_offset`	`None` `Value` `Variable`	オフセットを指定する方法を示します。値`None`は、オフセットが使用されないことを意味します。
`offset_value`	数値	`use_offset`が`offset_value`に設定されている場合にオフセットに使用する値です。
`offset_field`	フィールド	`use_offset`が`offset_field`に設定されている場合にオフセット値に使用するフィールドです。
`target_category_order`	`Ascending` `Descending`	カテゴリー型対象のソート順。デフォルトは`Ascending`です。
`inputs_category_order`	`Ascending` `Descending`	カテゴリ型予測フィールドの並び順。デフォルトは`Ascending`です。
`max_iterations`	整数	アルゴリズムで実行される反復の最大回数です。負の数ではない整数。デフォルト値は 100 です。
`confidence_level`	数値	モデル係数の区間推定の計算に使用する確信度。負の数ではない整数。最小値は 100、デフォルト値は 95 です。
`test_fixed_effects_coeffecients`	`Model` `Robust`	パラメーター推定共変量マトリックスを計算する方法。
`detect_outliers`	フラグ	true の場合、アルゴリズムで、多項分布を除くすべての分布に対する影響がある外れ値を検出します。
`conduct_trend_analysis`	フラグ	true の場合、アルゴリズムで散布図のトレンド分析を実行します。
`estimation_method`	`FISHER_SCORING` `NEWTON_RAPHSON` `HYBRID`	最尤法推定アルゴリズムを指定します。
`max_fisher_iterations`	整数	`FISHER_SCORING` `estimation_method`を使用している場合は、反復の最大数です。最小値は 0、最大値は 20 です。
`scale_parameter_method`	`MLE` `FIXED` `DEVIANCE` `PEARSON_CHISQUARE`	スケールパラメータの推定に使用する方法を指定します。
`scale_value`	数値	`scale_parameter_method`が`Fixed`に設定されている場合にのみ使用可能です。
`negative_binomial_method`	`MLE` `FIXED`	負の二項分布補助パラメータの推定の使用する方法を指定します。
`negative_binomial_value`	数値	`negative_binomial_method`が`Fixed`に設定されている場合にのみ使用可能です。
`use_p_converge`	フラグ	パラメーター収束のオプション。
`p_converge`	数値	空白または任意の正の値。
`p_converge_type`	フラグ	True = 絶対値、False = 相対値
`use_l_converge`	フラグ	対数尤度収束のオプション。
`l_converge`	数値	空白または任意の正の値。
`l_converge_type`	フラグ	True = 絶対値、False = 相対値
`use_h_converge`	フラグ	Hessian 収束のオプション。
`h_converge`	数値	空白または任意の正の値。
`h_converge_type`	フラグ	True = 絶対値、False = 相対値
`max_iterations`	整数	アルゴリズムで実行される反復の最大回数です。負の数ではない整数。デフォルト値は 100 です。
`sing_tolerance`	整数
`use_model_selection`	フラグ	パラメータしきい値とモデルの選択方法コントロールを有効にします。
`method`	`LASSO` `ELASTIC_NET` `FORWARD_STEPWISE` `RIDGE`	モデル選択方法を決定します。`Ridge`を使用する場合は、正規化方法を使用します。
`detect_two_way_interactions`	フラグ	`True`の場合、モデルは入力フィールド間の双方向交互作用を自動的に検出します。このコントロールは、モデルが主効果のみ (ユーザーが高次元効果を作成していない) であり、かつ選択された `method` が Forward Stepwise、Lasso、または Elastic Net の場合にのみ有効にしてください。
`automatic_penalty_params`	フラグ	モデル選択`method`が Lasso または Elastic Net の場合にのみ使用できます。この機能を使用して、Lasso または Elastic Net 変数選択方法に関連付けられたペナルティパラメータを入力します。 `True` の場合、デフォルト値が使用されます。 `False` の場合、ペナルティパラメータが有効になり、カスタム値を入力できます。
`lasso_penalty_param`	数値	モデル選択`method`が Lasso または Elastic Net で、`automatic_penalty_params`が`False`の場合にのみ使用できます。 Lasso のペナルティパラメータを指定します。
`elastic_net_penalty_param1`	数値	モデル選択`method`が Lasso または Elastic Net で、`automatic_penalty_params`が`False`の場合にのみ使用できます。 Elastic Net パラメータ 1 のペナルティパラメータを指定します。
`elastic_net_penalty_param2`	数値	モデル選択`method`が Lasso または Elastic Net で、`automatic_penalty_params`が`False`の場合にのみ使用できます。 Elastic Net パラメータ 2 のペナルティパラメータを指定します。
`probability_entry`	数値	選択した`method`が変数増加ステップワイズ法の場合にのみ使用できます。効果の包含に関する F 統計基準の有意水準を指定します。
`probability_removal`	数値	選択した`method`が変数増加ステップワイズ法の場合にのみ使用できます。効果の除去に関する F 統計基準の有意水準を指定します。
`use_max_effects`	フラグ	選択した`method`が変数増加ステップワイズ法の場合にのみ使用できます。 `max_effects` コントロールを有効にします。 `False` の場合、包含する効果のデフォルト数が、モデルに提供される効果の総数から切片を引いたものと等しくなければなりません。
`max_effects`	整数	変数増加ステップワイズ法作成方法を使用する場合の効果の最大数を指定します。
`use_max_steps`	フラグ	`max_steps`コントロールを有効にします。 `False` の場合、ステップのデフォルト数は、モデルに提供された効果の数から切片を除外したものの 3 倍と等しくなければなりません。
`max_steps`	整数	変数増加ステップワイズ法の構築時に実行するステップの最大数 `method`を指定します。
`use_model_name`	フラグ	モデルのカスタム名を指定するか (`true`)、システム生成名を使用するか (`false`) を示します。デフォルトは`false`です。
`model_name`	string	`use_model_name`が`true`の場合、使用するモデル名を指定します。
`usePI`	フラグ	`true`の場合、予測変数の重要度が計算されます。
`perform_model_effect_tests`	ブール値	モデル効果テストを実行するかどうか。
`non_neg_least_squares`	整数	非負拘束付最小 2 乗法を実行するかどうか。