使用R包deeptrafo的神经网络估计条件分布
摘要：灵活的回归模型是当代实证应用经常需要的，适用于复杂的响应类型和大量的表格或非表格数据，包括图像或文本数据。传统的回归模型在处理这些数据时要么无法处理其计算负荷，要么需要额外的手动特征提取来使问题可行。在这里，我们介绍了一个名为deeptrafo的包，它使用tensorflow后台和众多额外的处理器（如神经网络、惩罚和平滑样条）来拟合条件分布的灵活回归模型。Deeptrafo包实现了用于二元、有序、计数、生存、连续和时间序列响应的深度条件转换模型（DCTM），可能包含无关的截尾。与其他可用方法不同，DCTM不会对响应进行参数分布的假设。此外，数据分析师可以通过提供自定义的神经网络架构和平滑函数来在直观的公式界面中为每个术语权衡解释性和灵活性。我们演示了如何设置、拟合和使用DCTM处理多个响应类型。我们还展示了如何构建这些模型的集合，使用内置交叉验证评估模型，并在多个应用中使用DCTM的其他便利函数。最后，我们讨论了在处理非表格数据的回归中的DCTM与其他方法的比较。
作者：Lucas Kook, Philipp FM Baumann, Oliver D"urr, Beate Sick, David R"ugamer
论文ID：2211.13665
分类：Computation
分类简称：stat.CO
提交时间：2023-03-21