|
ru.algorithms
- RU.ALGORITHMS ----------------------------------------------------------------
From : Evgenij Masherov 2:5020/175.2 30 Jun 2002 20:09:48
To : Aleksey V. Vaneev
Subject : Трансцендентная регрессия
--------------------------------------------------------------------------------
Sun Jun 30 2002 08:51, Aleksey V. Vaneev wrote to Evgenij Masherov:
AVV>>> Также существует другой метод - уравнение МР (множественной
AVV>>> регрессии). Метод Брандона. Мне он, в общем-то больше нравится,
AVV>>> потому как допускает использование любых приближающих уравнений.
EM>> Задача линейная. Поскольку линейность важна по коэффициентам, а не по
EM>> регрессорам. Так что алгоритмы линейной регрессии работают. Вот если и
EM>> коэффициенты входят нелинейно - то тоже можно, скажем,
EM>> Левенбергом-Марквардтом.
AVV> Это некий метод построения регрессионного уравнения? А URL есть в
AVV> интернете, дабы почитать о нем?
Hе уверен.
Основная идея проста - найдя приближение к параметрам, разлагаем нелинейную
функцию в ряд Тейлора в окрестностях приближения, ограничиваясь первым
порядком. Получаем линейную регрессию, где зависимая переменная - ошибки
прогноза У при данном приближении, независимые - производные функции по
параметрам модели, а коэффициенты - поправки к параметрам (при этом матрица
может быть вырожденной, и мы, для надежности вычислений, прибавляем константу
к ея диагонали). Так получаем лучшее приближение - и втираем до полнаго
удовлетворения...
EM>> Если ЛЮБЫЕ входящие в модель функции, связанные с откликом модели
EM>> линейно (т.е. y=a1*F1(x)+a2*F2(x)+...)
AVV> Там, наверное, x1, x2,... нужно, а не один x для всех функций. Ко всему
AVV> прочему, в методе Брандона используется другая функция:
AVV> y=a*f1(x1)*f2(x2)*f3(x3)*f4(x4)...
1. Вовсе не обязательно разный. Отчего же?
2. А логарифмировать карма не позволяет? :)
AVV> Hикак не пойму, чего с ним делать. :) Как его оптимизировать, как
AVV> находить корреляцию между различными параметрами, между параметрами и y?
AVV> У меня есть немного теории для трансцендентной регрессии (в т.ч.
AVV> множественная корреляция), а вот для множественной регрессии ничего
AVV> дополнительно не описывается - только сам метод Брандона.
Е.З. Демиденко. Линейная и нелинейная регрессии.
EM>> a=inv(trX*X)*tr(X)*y имеет многие преимущества.
AVV> А как это расшифровать? И что дает a?
Да забыл я, как транспонирование и обращение матрицы обозначать...
inv - обращение
tr - транспонирование
Обычная матричная запись линейной регрессии...
Евгений Машеров АКА СанитарЖеня
--- ifmail v.2.15dev5
* Origin: FidoNet Online - http://www.fido-online.com (2:5020/175.2)
Вернуться к списку тем, сортированных по: возрастание даты уменьшение даты тема автор
|
