Machine learning
일반화 가법 모형 (GAM)
일반화 가법 모형(Generalized Additive Model, GAM)은 Trevor Hastie와 Robert Tibshirani가 1986년에 소개한 것으로, 일반화 선형 모형(generalized linear model)에서 각 선형 항을 예측 변수의 부드러운(smooth), 데이터 기반 함수로 대체하여 확장한 것이다. 이를 통해 모형은 비선형 관계를 포착하면서도 회귀 분석의 가법적(additive), 항별 해석 가능성을 유지할 수 있다. 즉, 각 예측 변수는 자체적인 추정 곡선에 기여하며, 이 곡선들은 (연결 함수(link scale) 상에서) 단순히 더해져 반응 변수를 예측한다.
방법 전문 읽기
회원 전용
로그인무료 계정으로 로그인하면 이 섹션을 읽을 수 있습니다.
Method map
The neighbourhood of related methods — select a node to explore.
출처
- Hastie, T., & Tibshirani, R. (1986). Generalized additive models. Statistical Science, 1(3), 297–310. DOI: 10.1214/ss/1177013604 ↗
- Hastie, T. J., & Tibshirani, R. J. (1990). Generalized Additive Models. Chapman & Hall/CRC. ISBN: 978-0-412-34390-2
이 페이지 인용 방법
ScholarGate. (2026, June 2). Generalized Additive Model (GAM). ScholarGate. https://scholargate.app/ko/machine-learning/generalized-additive-model
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- LOESS / LOWESS 지역 회귀머신러닝↔ compare
- 다중 선형 회귀통계학↔ compare
- 다항 회귀통계학↔ compare
- 회귀 스플라인 및 스무딩 스플라인머신러닝↔ compare