离散型数据包括标称型与计数型数据,是数据科学与人工智能领域中重要的数据类型。离散型数据作为输入构建回归模型,面临着将离散输入值映射到连续输出值上的问题。本研究基于Rademacher复杂度对离散值输入下高斯通用加性模型的误差泛化界进行了推导,在理论上探索了该类模型的估计方法与表现能力。此外,本研究还将高斯通用加性模型应用于全基因组数据中,为选择性育种提供了一种新的解决方案。本文主要阐述了以下三个方面的工作内容:(1)本文在Rademacher复杂度的基础上对离散值输入下高斯通用加性模型的误差泛化界进行了推导。在全基因组选择研究中,由于输入数据为离散值,模型假设空间的复杂度直接影响模型的泛化误差大小。为此本文分别推导了高斯通用加性模型中均值和方差的Rademacher复杂度上界,并以二项分布的输入数据为例得到了在分类和回归问题中较为紧致的误差泛化界。(2)本文阐述了针对小样本数据集高斯通用加性模型的改进及权重求解过程。本文将输出数据分布函数中的均值和方差均参数化以构建高斯通用加性模型,并将分布函数连乘得到损失函数。求得损失函数最小值时均值和方差的权重,并通过添加Bagging集成学习方法提高方差预测精度。(3)本文将高斯通用加性模型应用于长牡蛎数据集,得到其肥满度均值和方差的回归权重,为选择性育种提供了更多的参考参数。将长牡蛎全基因组数据清洗后,通过二次特征提取关联位点,并应用于高斯通用加性模型,对其均值及方差进行预测。本文经仿真实验证明所推导的高斯通用加性模型误差泛化界的正确性,为将其应用于全基因组数据提供了理论基础。并将高斯通用加性模型应用到长牡蛎肥满度的预测中,将结果与其他方法对比,得到0.994的均值拟合精度,70%以上的样本真值落在预测出的置信区间中,此结果表明本文方法在全基因组选择中能够提供更加可靠的参数参考。