Question

我试图从GAM模型中提取结的位置，以便将我的预测变量描绘成另一个模型的类别。我的数据包含二进制响应变量（已使用）和连续预测变量（已打开）。

data <- data.frame(Used = rep(c(1,0,0,0),1250),
                   Open = round(runif(5000,0,50), 0))

我适合GAM：

mod <- gam(Used ~ s(Open), binomial, data = data)

我可以在type=c("response", "lpmatrix")函数中使用predict.gam得到预测值，模型矩阵等，但我正在努力提取系数变化的结位置。任何建议都非常感谢！

out<-as.data.frame(predict.gam(model1, newdata = newdat, type = "response"))

如果可能的话，我也会感兴趣：

http://www.fromthebottomoftheheap.net/2014/05/15/identifying-periods-of-change-with-gams/

其中识别出样条的统计增加/减少，但是，此时我没有使用GAMM，因此，在识别从GAMM模型中提取的GAM中的类似模型特征时遇到问题。第二项更多是出于好奇而不是任何事情。

Answer 1

<强>注释：

在询问时，您应该使用R和mgcv标记您的问题;
首先，我想将您的问题标记为昨天提出的mgcv: how to extract knots, basis, coefficients and predictions for P-splines in adaptive smooth?重复，而my answer应该非常有用。但后来我意识到实际上存在一些差异。所以我在这里做一些简短的解释。

<强>答案：

在gam来电：

mod <- gam(Used ~ s(Open), binomial, data = data)

您未在bs中指定s()参数，因此将使用默认基础：bs = 'tp'。

'tp'是薄板回归样条的缩写，不是具有传统结的平滑类。薄板样条确实有结：它将结准确地放在数据点上。例如，如果您有n个唯一Open个值，则它会有n个结。在单变量情况下，这只是一个平滑样条。

然而，薄板回归样条曲线是基于截断的特征分解的全薄板样条的低秩近似。这与principal components analysis(PCA)类似。它不使用原始的n数量的薄板样条基，而是使用第一个k主成分。这会将计算复杂度从O(n^3)降低到O(nk^2)，同时确保最佳秩k近似。

因此，对于拟合的薄板回归样条，您确实无法提取结。

由于您使用的是单变量样条线，因此无需使用'tp'。只需使用bs = 'cr'， c ubic r 出版样条线。这曾经是2003年之前mgcv的默认值，当tp可用时。 cr有结，你可以像我在my answer中看到的那样提取结。不要被该问题中的bs = 'ad'混淆：P样条，B样条，自然三次样条，都是基于结的样条。

mgcv：从GAM模型中提取“tp”平滑的结点位置

1 个答案: