NAM：神经加性模型-可解释的机器学习与神经网络 | | NAM是用于广义加性模型研究的库。 神经加性模型（NAM）将DNN的某些表达能力与广义加性模型的固有清晰度结合在一起。 NAM学习神经网络的线性组合，每个神经网络都参与一个输入功能。 这些网络经过共同训练，可以学习其输入特征和输出之间的任意复杂关系。 概述 去做： 用法 $ python main.py -h usage: Neural Additive Models [-h] [--training_epochs TRAINING_EPOCHS] [--learning_rate LEARNING_RATE] [--output_regularization OUTPUT_REGULARIZATION]

matlab代码影响神经GAM 这是一个MATLAB软件包，用于将广义加性模型（GAM）拟合到神经数据。 如果您的主要目标是拟合广义线性模型（GLM），请考虑使用其他地方提供的专用软件包（例如或）。 模型 广义加性模型（GAM）是一个框架，用于同时估计响应变量和多个预测变量之间的关系。 与广义线性模型（GLM）不同，它可以解释预测变量和响应之间的扭曲非线性关系。 由于刺激变量和尖峰之间的关系通常是非线性和非单调的，因此GAM为建模神经React提供了一种有吸引力的选择。 在神经科学实验中，神经React可能受到外部输入的影响-可能是连续值的信号（例如速度，位置）或二进制事件（例如刺激发作，奖励）-以及神经元自身的React。过去（峰值历史）。 以其最一般的形式，该模型可以写为： 其中，是连续值输入变量，是在其上运行的任何泛型（非线性）函数，是二进制事件，是在其上运行的时间滤波器，是峰值历史核，是链接函数，是响应的期望值和分别表示连续值输入和二进制事件的总数。 给定响应和输入＆，目标是恢复并在某个假定的链接函数下。 可以通过将最大后验（MAP）估计值计算为以下方式来解决此问题： 其中，模

Gammy –使用贝叶斯扭曲的Python中的广义加性模型 广义加性模型是一种预测性数学模型，定义为用观察数据校准（拟合）的项之和。 该软件包为配置和拟合此类模型提供了希望的界面。 模型参数的贝叶斯解释得到了促进，并简化了特征集。 概括 广义的加性模型形成了令人惊讶的通用框架，用于为生产软件和科学研究构建模型。 该Python软件包提供了用于将模型项构建为各种基础函数的分解的工具。 可以将术语建模为各种内核的高斯过程（降维），分段线性函数以及B样条。 当然，还支持非常简单的术语，例如行和常量（这些只是非常简单的基函数）。 权重参数分布中的不确定性是通过贝叶斯统计方法在出色的包的帮助下。 这项工作尚处于初期阶段，因此仍然缺少许多功能。 具有GAM功能的其他项目 目录 安装 该软件包可以在PyPi中找到。 pip install gammy 例子 'roids的多项式回归 从非常简单的数

Hou等人提出的SBWBAMS（基于加性模型和采样的扫描二进制图像水印）算法。 对打印和扫描过程具有很强的鲁棒性。 但是，由于算法中使用的嵌入强度是人为设置的，因此当嵌入强度较低时，水印信息可能无法正确嵌入到二进制图像中。 首先，分析了正确嵌入水印的最小嵌入强度，然后提出了一种基于自适应嵌入强度的改进二值图像水印算法。 该算法根据图像内容自适应调整嵌入强度，确保嵌入效果良好。 水印信息正确。 实验结果表明，该算法不仅可以正确地嵌入和提取水印信息，而且对打印和扫描过程仍具有很强的鲁棒性。

Hastie的成名作，扩展的加性模型，从统计角度看待Adaboost。成书于1990年。 Hastie. Generalized Additive Models, Chapman and Hall, 1990.