set.seed(1) n <- 100; p <- 12 mu = rowSums(x[, 1:3]) + f4 + f5 + f6

---

可下载资源

我们使用最基本的rgam来拟合模型：

fit <- rgam

下面，我们使用不同的init_nz值拟合模型：

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]

图表和摘要

让我们再次拟合基本的rgam模型：

fit <- rga

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

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(

计数数据的泊松回归

对于泊松回归，响应变量y应该是一个计数数据向量。虽然rgam()不要求每个元素都是整数，但如果任何元素为负，则会报错。

与逻辑回归类似，默认情况下，predict()仅返回线性预测值，即

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]