多数の重複する観測値がデータセットに含まれている。

利用

$${\mu }_j^{\ast }=\frac{1}{{\displaystyle \underset{\mathrm{K.}}{\sum }{\mathrm{W.}}_{\mathrm{K.}}}}{\displaystyle \underset{\mathrm{K.}}{\sum }{\mathrm{W.}}_{\mathrm{K.}}{X}_{j\mathrm{K.}}}。$$

X_jk.は,予測子j(列)の観測値k(行)です。

$${（{\sigma }_j^{\ast }的）}^2=\frac{{\mathrm{V.}}_1}{{\mathrm{V.}}_1^2-{\mathrm{V.}}_2}{\displaystyle \underset{\mathrm{K.}}{\sum }{\mathrm{W.}}_{\mathrm{K.}}{（X_{j\mathrm{K.}}-{\mu }_j^{\ast }的）}^2}。$$

$${\mathrm{V.}}_1={\displaystyle \underset{j}{\sum }{\mathrm{W.}}_j}。$$

$${\mathrm{V.}}_2={\displaystyle \underset{j}{\sum }{（{\mathrm{W.}}_j的）}^2}。$$

PredictorNamesプロパティには,元の予測子変数名のそれぞれについて1つずつ要素が格納されます。たとえば,3.つの予測子があり、そのうちの 1 つは 3 つのレベルがあるカテゴリカル変数であるとします。この場合、PredictorNamesははのの子数量名称が含まれいるいる1行3列の文章ベクトルの细胞配列配列なります。

ExpandedPredictorNamesプロパティには,ダミー変数を含む予測子変数のそれぞれについて1つずつ要素が格納されます。たとえば,3.つの予測子があり、そのうちの 1 つは 3 つのレベルがあるカテゴリカル変数であるとします。この場合、ExpandedPredictorNamesは予測子変数および新しいダミー変数の名前が含まれている1行5列の文字ベクトルの细胞配列になります。

同様に,βプロパティには,ダミー変数を含む各予測子について1つずつベータ係数が格納されます。

金宝appSupportVectorsプロパティプロパティに，ダミーダミー数を含むベクターの子の値がさされますとたとえばつの个ベクターと3つのつの子があり，そのつの子あり，そのうちの1つは3つのレベルがあるカテゴリカルカテゴリカルであるとします。このこの合，金宝appSupportVectorsはm行5列の行列になります。

Xプロパティには,はじめに入力した状態で学習データが格納されます。ダミー変数は含まれません。入力がテーブルの場合,Xには予測子として使用した列のみが格納されます。

k个个の顺序顺序付きレベルが変にに含まれてているいるいるいる合书，k - 1個のダミー変数が作成されます。j番目のダミー変数は、j までのレベルについては-1那J + 1からkまでのレベルについては+1になります。

ExpandedPredictorNamesプロパティに格式されるダミー位数の名前は1番目のレベルを示し，値は+1になります。レベル2、3、……kの名前を含むk - 1個の追加予測子名がダミー変数について格納されます。