这是一种拟合稀疏广义加性模型（GAM）的新方法。RGAM具有计算可扩展性，并且适用于连续、二进制、计数和生存数据（点击文末“阅读原文”获取完整代码数据）。
相关视频
让我们生成一些数据：
R set.seed(1) n <- 100; p <- 12 mu = rowSums(x[, 1:3]) + f4 + f5 + f6
我们使用最基本的rgam来拟合模型：
R fit <- rgam
下面，我们使用不同的init_nz值拟合模型：
RGAM算法第2步的自由度超参数可以通过df选项进行设置，默认值为4。以下是使用不同超参数拟合RGAM模型的示例：
R gamma = 0.6, df = 8
函数rgam()为一系列lambda值拟合RGAM模型，并返回一个rgam对象。
而nzero_feat、nzero_lin和nzero_nonlin键告诉我们每个lambda值包含的特征、线性组件和非线性组件的索引。
预测
可以通过使用predict方法获得此模型的预测结果：每列给出了一个lambda值的预测结果。
# 获取前5个观测值在第20个模型的预测结果 predict(fit, x[1:5, ])[, 20]
例如，下面的代码给出了第20个lambda值时响应由变量5引起的组成部分：
f5 <- get
我们可以使用以下代码制作一个图表，展示变量5对响应的影响：
plot
点击标题查阅往期内容
图表和摘要
让我们再次拟合基本的rgam模型：
fit <- rga
默认情况下，plot()给出了最后一个 fit 中的 lambda键的拟合函数，并仅给出前4个特征的图表：
plot(fit
用户可以使用 index 和 which 选项指定 lambda 值的索引和要显示的特征图：
plot(fit, x, in
线性函数以绿色呈现，非线性函数以红色呈现，而零函数以蓝色呈现。
有 summary 方法，允许用户查看线性和非线性特征的系数概况。在每个图表上（一个用于线性特征，一个用于非线性特征），x轴是从大到小的 xi 值，y轴是特征的系数。
summary
默认情况下，系数概况将针对所有变量进行绘制。
summary(fit
交叉验证（CV）
我们可以使用 k 折交叉验证。
cvfit <- cv.rg
我们可以通过设置 nfolds 参数来改变折数：
cvft <- cv.r
我们可以通过指定 foldid 参数来实现，其中 foldid 是一个长度为 n 的向量。
gamma = 0.6, foldid = foldid, verbose = FALSE)
cv.rgam() 调用会返回一个 cv.rgam 对象。
plot
可以从拟合的 cv.rgam 对象中进行预测。
predict(cvf s = lambda.1se
predict(cvfn")
其他类型的RGAM模型
在上述例子中，变量y是一个定量变量（即取值沿实数数轴）。因此，使用默认的rgam()的family = "gaussian"是合适的。然而，RGAM算法非常灵活，可以在y不是定量变量时使用。
二元数据的逻辑回归
在这种情况下，响应变量y应该是一个只包含0和1的数字向量。在进行预测时，请注意，默认情况下，predict()仅返回线性预测值，即
要获取预测的概率，用户必须在predict()调用中传递type = "response"。
# 拟合二元模型 bin_y <-binomial", init_nz = c(), gamma = 0.9, verbose = FALSE) # 第10个模型的前5个观察值的线性预测值 predict(bi1 # 第10个模型的前5个观察值的预测概率 predict(
要获取预测速率，用户必须在predict()调用中传递type = "response"。
对于泊松数据，通常允许用户传入偏移，这是一个与观测数相同长度的向量。rgam()也允许用户这样做：
# 生成数据 set.seed(5) offset <- rnoroffset, verbose = FALSE)
请注意，如果将offset提供给rgam()，则在进行预测时必须还提供一个偏移向量给predict()：
# 第20个lambda值的速率预测 predict(poifit,ponse")[,20]
