发布日期: 08/07/2020

“验证方法”选项

以下方法可用于模型拟合的验证:

注意:唯一可用于“分位数回归”的验证方法为“无”。可用于“最大似然”估计方法的验证方法只有“无”和“验证列”。可用于“Cox 比例风险”的验证方法只有 BIC、AICc 和“无”。Dantzig 选择器估计方法只允许使用 BIC 和 AICc 验证方法。

K 重

对于调节参数的每个值,都将执行以下步骤:

观测划分到 k 个子集或中。

每一重都轮流用作一个验证集。针对含在“重”中的观测拟合模型。针对“重”的观测计算基于该模型的对数似然,同时提供验证对数似然。

计算 k 重的验证对数似然的均值。该值充当调节参数值的验证对数似然。

具有最大验证对数似然的调节参数的值用于构造最终解。要获取最终模型,将对整个数据集拟合从调节参数最优值得到的全部 k 个模型。在这些模型中,具有最高的验证对数似然的模型将被选为最终模型。用于该最终模型的训练集将被指定为训练集,并且该模型的“维持”重是验证集。这些就是在最终解的图中和报表结果中使用的训练集和验证集。

保留

随机选择指定比例的数据用于验证集,并使用数据的其他部分来拟合模型。最终解是将验证集的负对数似然最小化的解。该方法对于大数据集很有用。

留一法

执行留一法交叉验证。这等价于 K 重,其折数等于行数。该选项不应在中等或大数据集中使用。即使中等数量的观测值,它也可能需要很长的处理时间。将按照对 K 重验证那样来确定最终解的图中和报表结果中使用的训练集和(一行)验证集。

BIC

使解路径上的 Bayesian 信息准则 (BIC) 最小化。请参见似然、AICc 和 BIC

AICc

使解路径上的校正的 Akaike 信息准则 (AICc) 最小化。AICc 是“验证方法”的默认设置。请参见似然、AICc 和 BIC

注意:当参数数目接近或超过样本大小时不定义 AICc。

ERIC

使解路径上的扩展正则信息准则 (ERIC) 最小化。请参见模型拟合详细信息。仅可用于指数系列分布以及 Lasso 和自适应 Lasso 估计方法。

不使用验证。仅可用于“最大似然估计方法”和“分位数回归”。

验证列

使用在“拟合模型”窗口中指定的列作为具有“验证”角色。最终解是将验证集的负对数似然最小化的解。当指定的估计方法为 Dantzig 选择器或是指定的分布为“分位数回归”或“Cox 比例风险”时,该选项不可用。

需要更多信息?有问题?从 JMP 用户社区得到解答 (community.jmp.com).