|
|||||||||
上一个类 下一个类 | 框架 无框架 | ||||||||
摘要: 嵌套 | 字段 | 构造方法 | 方法 | 详细信息: 字段 | 构造方法 | 方法 |
java.lang.Object com.supermap.analyst.spatialstatistics.GWRSummary
public class GWRSummary
地理加权回归结果汇总类。该类给出了地理加权回归分析的结果汇总,例如带宽、相邻数、残差平方和、AICc和判定系数等。
方法摘要 | |
---|---|
double |
getAIC()
返回地理加权回归结果汇总中的AIC。 |
double |
getAICc()
返回地理加权回归结果汇总中的AICc。 |
double |
getBandwidth()
返回地理加权回归结果汇总中的带宽范围。 |
double |
getEdf()
返回地理加权回归结果汇总中的有效自由度。 |
double |
getEffectiveNumber()
返回地理加权回归结果汇总中的有效的参数数量。 |
int |
getNeighbors()
返回地理加权回归结果汇总中的相邻数目。 |
double |
getR2()
返回地理加权回归结果汇总中的判定系数(R2)。 |
double |
getR2Adjusted()
返回地理加权回归结果汇总中的校正的判定系数。 |
double |
getResidualSquares()
返回地理加权回归结果汇总中的残差平方和。 |
double |
getSigma()
返回地理加权回归结果汇总中的残差估计标准差。 |
从类 java.lang.Object 继承的方法 |
---|
equals, getClass, hashCode, notify, notifyAll, toString, wait, wait, wait |
方法详细信息 |
---|
public int getNeighbors()
1、用于各个局部估计的相邻数目,它控制模型中的平滑程度。通常,你可以选择默认的相邻点值,方法是:设置带宽确定方式(GWRParameter.setKernelType
)方法选择BandWidthType.AICC
或BandWidthType.CV
,这两个选项都将尝试识别最佳自适应相邻点数目。
2、由于"最佳"条件对于AIC和CV并不相同,都会得到相对的最优AICc值和CV值,因而通常会获得不同的最佳值。
3、可以通过设置带宽类型(GWRParameter.setKernelType
)方法提供精确的自适应相邻点数目。
public double getBandwidth()
1、用于各个局部估计的带宽范围,它控制模型中的平滑程度。通常,你可以选择默认的带宽范围,方法是:设置带宽确定方式(GWRParameter.setKernelType
)方法选择BandWidthType.AICC
或BandWidthType.CV
,这两个选项都将尝试识别最佳带宽范围。
2、由于"最佳"条件对于AIC和CV并不相同,都会得到相对的最优AICc值和CV值,因而通常会获得不同的最佳值。
3、可以通过设置带宽类型(GWRParameter.setKernelType
)方法提供精确的带宽范围。
public double getResidualSquares()
残差平方和为实际值与估计值(或拟合值)的平方之和。此测量值越小,模型越拟合观测数据,即拟合程度越好。
public double getEdf()
数据的数目与有效的参数数量(EffectiveNumber)的差值,不一定是整数,可用来计算多个诊断测量值。自由度较大的模型拟合度会较差,能够较好的反应数据的真实情况,统计量会变得比较可靠;反之,拟合效果会较好,但是不能较好的反应数据的真实情况,模型数据的独立性被削弱,关联度增加。
public double getEffectiveNumber()
反映了估计值的方差与系数估计值的偏差之间的折衷,该值与带宽的选择有关,可用来计算多个诊断测量值。对于较大的带宽,系数的有效数量将接近实际参数数量,局部系数估计值将具有较小的方差,但是偏差将会非常大;对于较小的带宽,系数的有效数量将接近观测值的数量,局部系数估计值将具有较大的方差,但是偏差将会变小。
public double getSigma()
残差的估计标准差,为剩余平方和除以残差的有效自由度的平方根。此统计值越小,模型拟合效果越好。
public double getAIC()
与AICc类似,是衡量模型拟合优良性的一种标准,可以权衡所估计模型的复杂度和模型拟合数据的优良性,在评价模型时是兼顾了简洁性和精确性。表明增加自由参数的数目提高了拟合的优良性,AIC鼓励数据的拟合性,但是应尽量避免出现过度拟合的情况。所以优先考虑AIC值较小的,是寻找可以最好的解释数据但包含最少自由参数的模型。
public double getAICc()
当数据增加时,AICc收敛为AIC,也是模型性能的一种度量,有助与比较不同的回归模型。考虑到模型复杂性,具有较低AICc值的模型将更好的拟合观测数据。AICc不是拟合度的绝对度量,但对于比较用于同一因变量且具有不同解释变量的模型非常有用。如果两个模型的AICc值相差大于3,具有较低AICc值的模型将视为更佳的模型。
public double getR2()
判定系数是拟合度的一种度量,其值在0.0和1.0范围内变化,值越大模型越好。此值可解释为回归模型所涵盖的因变量方差的比例。R2计算的分母为因变量值的平方和,添加一个解释变量不会更改分母但是会更改分子,这将出现改善模型拟合的情况,但是也可能假象。
public double getR2Adjusted()
校正的判定系数的计算将按分子和分母的自由度对它们进行正规化。这具有对模型中变量数进行补偿的效果,由于校正的R2值通常小于R2值。但是,执行校正时,无法将该值的解释作为所解释方差的比例。自由度的有效值是带宽的函数,因此,AICc是对模型进行比较的首选方式。
|
|||||||||
上一个类 下一个类 | 框架 无框架 | ||||||||
摘要: 嵌套 | 字段 | 构造方法 | 方法 | 详细信息: 字段 | 构造方法 | 方法 |