机器学习 | Python广义可加模型(GAM）

广义可加模型（Generalized Additive Model，GAM）是一种强大的统计建模工具，用于分析非线性关系和非线性变量之间的关系。
通过将因变量与一系列光滑的非线性函数（基函数）相关联，以更好地捕捉数据中的复杂模式。
假设我们正在研究某家电商公司的销售数据，想要理解销售额与广告投入、季节性因素和产品价格之间的关系。

使用GAM来建立一个预测销售额的模型，并探索这些因素对销售额的影响。

首先，准备销售数据集，包括销售额、广告投入、季节性因素和产品价格。

然后，使用Python中的pygam库来构建和训练GAM模型。

import numpy as np
from pygam import LinearGAM, s

定义并赋值数据

advertising = np.array([10, 20, 30, 40, 50])
seasonality = np.array([0.5, 0.8, 1.2, 0.9, 1.5])
price = np.array([50, 45, 40, 35, 30])
sales = np.array([100, 150, 200, 180, 250])
X_names = [‘Advertising’, ‘Seasonality’, ‘Price’]

创建GAM模型

X = np.array([advertising, seasonality, price]).T
y = sales

gam = LinearGAM(s(0) + s(1) + s(2))
gam.gridsearch(X, y)

拟合模型<