gbm::interact.gbm 与 dismo::gbm.interactions
gbm::interact.gbm vs. dismo::gbm.interactions
背景
gbm package 的参考手册指出 interact.gbm 函数计算弗里德曼的 H 统计量以评估变量相互作用的强度。 H 统计量的范围为 [0-1].
dismo package 的参考手册没有引用任何关于 gbm.interactions 函数如何检测和建模交互的文献。相反，它给出了用于检测和建模交互的一般程序列表。 dismo 小插图 "Boosted Regression Trees for ecological modeling" 指出 dismo 包扩展了 gbm 包中的功能。
问题
dismo::gbm.interactions 如何实际检测和建模交互？
为什么
我问这个问题是因为 dismo package 中的 gbm.interactions 产生的结果 >1，gbm package 参考手册说这是不可能的。
我检查了每个包的 tar.gz 以查看源代码是否相似。它差异很大，我无法确定这两个包是否使用相同的方法来检测和建模交互。
总而言之，这两种方法之间的差异归结为如何估计两个预测变量的 "partial dependence function"。
dismo 包基于 Elith et al., 2008 中最初给出的代码，您可以在补充 material 中找到原始来源。该文件非常简要地描述了该过程。基本上，模型预测是在两个预测变量的网格上获得的，将所有其他预测变量设置为均值。然后将模型预测回归到网格上。然后将此模型的均方误差乘以 1000。此统计数据表明模型预测偏离预测变量的线性组合，表明可能存在交互作用。
从dismo包中，我们还可以获得gbm.interactions的相关源代码。交互测试归结为以下命令（直接从源代码复制）：
interaction.test.model <- lm(prediction ~ as.factor(pred.frame[,1]) + as.factor(pred.frame[,2]))
interaction.flag <- round(mean(resid(interaction.test.model)^2) * 1000,2)
pred.frame 包含所讨论的两个预测变量的网格，prediction 是原始 gbm 拟合模型的预测，其中除两个正在考虑的预测变量外，其他所有预测变量均设置为方法。
这与 Friedman 的 H 统计量 (Friedman & Popescue, 2005) 不同，后者是通过公式 (44) 对任何预测变量对进行估计的。对于任何两个预测变量 平均 其他变量的值，这基本上偏离了可加性，而不是将其他变量设置为它们的均值。它表示为两个变量（或模型隐含预测）的部分相关函数的总方差的百分比，因此始终介于 0-1 之间。
背景
gbm package 的参考手册指出 interact.gbm 函数计算弗里德曼的 H 统计量以评估变量相互作用的强度。 H 统计量的范围为 [0-1].
dismo package 的参考手册没有引用任何关于 gbm.interactions 函数如何检测和建模交互的文献。相反，它给出了用于检测和建模交互的一般程序列表。 dismo 小插图 "Boosted Regression Trees for ecological modeling" 指出 dismo 包扩展了 gbm 包中的功能。
问题
dismo::gbm.interactions 如何实际检测和建模交互？
为什么
我问这个问题是因为 dismo package 中的 gbm.interactions 产生的结果 >1，gbm package 参考手册说这是不可能的。
我检查了每个包的 tar.gz 以查看源代码是否相似。它差异很大，我无法确定这两个包是否使用相同的方法来检测和建模交互。
总而言之，这两种方法之间的差异归结为如何估计两个预测变量的 "partial dependence function"。
dismo 包基于 Elith et al., 2008 中最初给出的代码，您可以在补充 material 中找到原始来源。该文件非常简要地描述了该过程。基本上，模型预测是在两个预测变量的网格上获得的，将所有其他预测变量设置为均值。然后将模型预测回归到网格上。然后将此模型的均方误差乘以 1000。此统计数据表明模型预测偏离预测变量的线性组合，表明可能存在交互作用。
从dismo包中，我们还可以获得gbm.interactions的相关源代码。交互测试归结为以下命令（直接从源代码复制）：
interaction.test.model <- lm(prediction ~ as.factor(pred.frame[,1]) + as.factor(pred.frame[,2]))
interaction.flag <- round(mean(resid(interaction.test.model)^2) * 1000,2)
pred.frame 包含所讨论的两个预测变量的网格，prediction 是原始 gbm 拟合模型的预测，其中除两个正在考虑的预测变量外，其他所有预测变量均设置为方法。
这与 Friedman 的 H 统计量 (Friedman & Popescue, 2005) 不同，后者是通过公式 (44) 对任何预测变量对进行估计的。对于任何两个预测变量 平均 其他变量的值，这基本上偏离了可加性，而不是将其他变量设置为它们的均值。它表示为两个变量（或模型隐含预测）的部分相关函数的总方差的百分比，因此始终介于 0-1 之间。