样条模型工具

连续目标(例如，任何给定唯一值在总实例中所占百分比相对较小的数字目标)。

Gamma分布目标(响应值百分比较高，但响应值相对较高的百分比较小的严格正数值目标)

计数（整数）目标：目标是一个数字，其大多数唯一值都占实例总数的大部分，例如，某人一年中访问医生办公室的次数。

二进制分类目标(例如，"是/否"品种的目标字段)。

多项分类目标：目标为分类字段，具有有限数量的分立结果，如 A、B 或 C 类。每种类型的目标射野都可以有一个或多个可能的关联分布函数(与算法尝试最小化的测量相关)。

Continuous targets can have either no explicit distribution or Gaussian (in other words, Normal) distribution.

In the case of a Gamma distributed target, the choice is the link function to use (the relationship between the means of the distribution and linear predictor).

Count (integer) targets minimize a loss function based on the Poisson distribution and use either a log (preferred) or identity link function.

Binary categorical targets can use a logit (also used in classical logistic regression), a probit, or a complementary log-log link function.

A multinomial categorical response is treated in a nonstandard way. Specifically, instead of estimating a true multinomial model, a set of binary models (using a logit link function) are estimated. For instance, if the possible responses are "A", "B", or "C", what is estimated is a model of: "A" against any other choice, "B" against any other choice, and "C" against any other choice.

如果有2个预测变量字段彼此具有双向交互作用，则一个预测变量对目标的影响取决于第二个预测变量的水平。

在三向交互作用的情况下，预测变量字段对目标的影响将取决于其他两个预测变量字段的值。

最多可以指定五向交互作用(交互深度为5)。此参数的默认值设置为1 (预测变量字段之间无交互作用的隐式假设)。增加交互深度可以大大增加模型运行时间。

向后消除(默认值)从向前传递中发现的所有节点和项开始，然后首先删除预测性最低的项(对受影响的剩余项进行适当调整)，然后比较相对于完整模型对广义交叉验证度量的影响。如果未通过删除术语来改进广义交叉验证度量，则返回在前向传递后创建的模型。如果广义交叉验证度量有改进，则从模型中删除此项，并对其余项重复此过程。如果在任何时候删除一个术语都不能改善与上次迭代中创建的模型相关的广义交叉验证度量，则该过程将终止。

如果选择"无"，则在最终型号中使用前传中找到的所有术语。

在详尽的搜索中，将检查在向前搜索步骤中找到的所有术语组合，但计算成本非常高。

在前向删除中，除截距外的所有项都将被删除，然后确定在前向传递中找到的最佳项并将其包含在模型中(假设它改善了与仅截距模型相关的广义交叉验证度量)。此过程将持续进行，直到无法添加任何可改进广义交叉验证度量的附加项。

在顺序替换中，具有给定数量的术语的解决方案将用前向通道中的所有其他可能的剩余术语替换一个术语，这些术语尚未包含在修剪通道中的术语集中。如果发现一个新术语可以改进与原始术语相对的广义交叉验证度量，则原始术语将替换为新术语。

较低的分辨创建相对较小的文件，最适合在显示器上查看。

A higher resolution creates a larger file with better print quality.