逐步回归工具

逐步回归工具为存在大量潜在预测变量的线性、逻辑和其他传统回归模型确定模型的最佳预测变量。

用于实现逐步回归的基本方法有两种。

第一种（称为后向选择）涉及使用一个模型，其中包含所有被认为可能影响目标变量的变量，然后根据考虑到模型中所含变量数的拟合优度衡量准则，依次从原始模型中移除最不重要的变量。继续这一过程，在后续后向选择步骤中移除其他变量，直到对调整的拟合优度衡量准则没有进一步改进。

第二种基本方法（称为前向变量选择）最初使用的模型仅包含一个常数，然后将一组潜在变量中对调整的拟合优度衡量准则改进最大的一个变量添加到该模型中。重复这一过程，使用一系列其他前向选择步骤，添加更多变量，直到调整的拟合优度衡量准则没有进一步改进时结束。在后向变量选择的情况下，已移除的变量绝不会在后续步骤中重新进入模型，而在前向选择中，已添加到模型的变量绝不会在后续步骤中被移除。可以使用混合方法，即最初使用大（“最大”）模型，第一步采用后向选择，接着在之后的每个步骤中同时评估前向选择和后向选择。

基于 Alteryx R 的逐步回归工具既可以使用后向变量选择，也可以使用后向和前向混合变量选择。要使用该工具，首先创建一个“最大”回归模型，其中包含您认为可能重要的所有变量，然后使用逐步回归工具，根据调整的拟合优度衡量准则，确定应移除其中哪些变量。提供两种不同的调整后拟合优度衡量准则，供用户选择：赤池信息准则**（或 AIC）和贝叶斯信息准则***（或 BIC）。这两个衡量准则相似，但 BIC 对模型中包含的变量数的惩罚更大，通常导致最终模型的变量少于使用 AIC 时的变量。

借助此工具，如果输入数据来自常规 Alteryx 数据流，则使用适用的开源 R 函数进行模型估计。如果输入数据来自 XDF 输出工具或 XDF 输入工具，则使用合适的 Revo ScaleR 函数进行模型估计。使用基于 Revo ScaleR 的函数的优势在于，它允许分析更大（超过内存）的数据集，但无法创建开源 R 函数能提供的某些模型诊断输出。

此工具使用 R 工具。转到选项 > 下载预测工具并登录到 Alteryx 下载和许可证门户以安装 R 和 R 工具使用的软件包。请访问下载和使用预测工具。