例如,Ripley 的 nnet 包允许您使用多项设置对计数数据进行建模,但是是否有一个包可以保留与计数相关的完整信息?例如,虽然序数多项模型保留了构成计数的整数的顺序,但作为 GLM 的完全开发的计数数据模型(例如 Poisson 或负二项式回归)包括整数计数彼此之间的关系有多大。
另一个措辞可能是,‘什么样的模型最接近结合神经网络的优势,例如,轻松地对预测变量中的非线性建模,以及计数数据 GLM,它们擅长考虑到数据实际上是一个计数?
例如,Ripley 的 nnet 包允许您使用多项设置对计数数据进行建模,但是是否有一个包可以保留与计数相关的完整信息?例如,虽然序数多项模型保留了构成计数的整数的顺序,但作为 GLM 的完全开发的计数数据模型(例如 Poisson 或负二项式回归)包括整数计数彼此之间的关系有多大。
另一个措辞可能是,‘什么样的模型最接近结合神经网络的优势,例如,轻松地对预测变量中的非线性建模,以及计数数据 GLM,它们擅长考虑到数据实际上是一个计数?
我最近浏览了一篇旨在将神经网络用作泊松回归的论文。他们提出的方法基本上是一个标准的多层感知器,他们使用不同的损失函数,即:
这是一个没有正则化以防止过度拟合的版本,它们使用常规的权重衰减。
他们提到他们是用 R 和 Matlab 编写的,但我不知道它是否可以在某个地方在线获得,但是任何可以传递自己的损失函数的神经网络包就足够了。
http://www.mathstat.dal.ca/~hgu/Neural%20Comput%20&%20Applic.pdf