广义可加模型 (GAM)

广义可加模型（Generalized Additive Models, GAM）是统计学习理论中一类重要的半参数模型，它扩展了传统线性回归的框架，允许每个预测变量通过一个平滑函数独立地贡献于最终响应。其核心思想是将复杂的非线性关系拆解为多个单变量函数的加权和，每个函数通过样条函数等平滑方法进行拟合。GAM 在保持模型可解释性的同时，能够灵活处理数据中的非线性趋势和交互效应，广泛应用于生物统计、经济学及机器学习领域。

在现代计算架构与机器学习生态中，广义可加模型扮演着连接传统统计推断与数据驱动建模的关键角色。它既避免了纯黑盒模型（如深度神经网络）的可解释性缺失，又克服了传统线性模型对非线性关系捕捉能力不足的缺陷。GAM 特别适用于需要理解变量贡献度、进行因果推断或监管合规的场景。其生态地位体现在与 Boosting 等集成学习方法的融合上，形成了如 GAMBoost 等高效算法，成为处理中等规模结构化数据时的重要工具，尤其在特征工程阶段作为非线性变换的生成器具有不可替代的价值。