least-squares

0熱度

1回答

我想計算一些數據的線性迴歸，我已經使用MATLAB的fitlm工具。使用普通最小二乘法（OLS）我得到相當低的R平方值（〜0.2-0.5），偶爾甚至是不切實際的結果。而當使用魯棒迴歸（特別是'talwar'選項）時，我得到更好的結果（R2〜0.7-0.8）。我不是統計學家，所以我的問題是：是否有任何理由我應該不是相信強大的結果會更好？下面是一些數據的例子。顯示的數據產生OLS的R2：0.56，

-2熱度

2回答

線性迴歸 - 估計後陷入Matlab中的模型比較？

我想確定估計模型對未來新數據的適用程度。爲此，經常使用預測誤差圖。基本上，我想比較測量的輸出和模型輸出。我使用最小均方算法作爲均衡技術。有人可以請幫助什麼是適當的方式來繪製模型和測量數據之間的比較？如果估計值接近真值，那麼曲線應該非常接近。以下是代碼。 u是均衡器的輸入，x是有噪聲的接收信號，y是均衡器的輸出，w是均衡器權重。應該使用x和y*w來繪製圖表嗎？但是x是嘈雜。我很困惑，因爲測量的輸出x

2熱度

1回答

L1正則化最小二乘法

我想通過L1正則化最小二乘法解決以下拉索優化功能。我爲我的項目使用python。 α'* = arg min (||y’–B’α’||_2^2 + λ||α’||_1) 這裏α'*是一個載體。尺寸B’=(m+p)*p,y’=(m+p)*1,α‘=p*1 我無法解決這個方程。請任何人解釋eqn和解決這個公式的方法L1正則化最小二乘法。

1熱度

1回答

使用lsqnonlin在所有迭代過程中繪製函數值演化

我使用lsqnonlin作爲我的優化例程。我需要在每次迭代時繪製成本函數，同時顯示以前的所有值。所以我想顯示類似this：然而，使用lsqnonlin，我只能夠在只有當前迭代繪製成本函數的值。使用這些選項： options = optimset('TolFun', 1e-5, 'TolX',1e-5, 'MaxFunEvals', 10000, 'PlotFcns', @optimplotf

0熱度

2回答

最小二乘多項式擬合僅適用於偶數個座標

我已經編寫了一個程序，該程序通過給出多個座標來計算拋物線的方程，但它僅適用於偶數個座標。如果我輸入一個不規則的數字，它會顯示一些無意義的bs。下面是代碼（我不能在這裏複製，因爲一些格式問題的代碼）： #include<iostream> #include<iomanip> #include<cmath> using namespace std; int main() { in

1熱度

2回答

最小二乘：Python的

我想實現最小二乘法：我有：$ y = \ THETA \歐米茄$ 的最小二乘解是\歐米茄=（\ THETA^{T】\ THETA）^ { - 1} \ THETA^{T】ý 我tryied： import numpy as np def least_squares1(y, tx): """calculate the least squares solution."""

0熱度

1回答

最小二乘法不適用於一套y's

我試圖運行使用numpy的最小二乘算法，並且遇到了麻煩。有人可以告訴我在給定的代碼中我做錯了什麼嗎？當我將y設置爲y = np.power(X, 1) + np.random.rand(20)*3或x的其他合理函數時，一切工作正常。但是對於那些由y值定義的特定y，我得到的情節是毫無意義的。這是一種數值問題嗎？ import numpy as np import matplotlib.pyplo

1熱度

1回答

Matlab分析器：optimoptions（）與lsqnonlin（）大致相同時間

我正在運行調用lsqnonlin（）1000次的代碼。我剖析了代碼，發現optimoptions（）佔用了大約40％的時間。相反，我設置了opt1 = optimotpions（）一次，並將opt1作爲參數傳遞給運行lsqnonlin（）的函數，我看到了性能改進。什麼是採取optimoptions（）那麼長？

0熱度

1回答

使用lmfit時以適應點

我使用下面的代碼，以適應三維點雲3D線的雲3D線添加砝碼。我使用lmfit的最小二乘法，以儘量減少。我需要增加權重的不同點，但不知道如何做到這一點使用數組（和不是標）距離輸出時。使用標量時的問題是它不如使用數組時好。我假設因爲有大量的變量。所以問題是 - 有沒有辦法給添加權重爲每個元素的數組最小化？使用像Nelder w/scaral輸入的東西不能很好地執行3D配合。 from lmfit

3熱度

1回答

Octave中的魯棒最小二乘法

我正在使用Octave編程classical Prony's method（有時是Prony分析）。該腳本相當優良的測試信號，如： t = 1:600; sig = exp(-0.01*t).*cos(0.1*t); ，但完全倒塌時，即使添加的噪聲量小： sig = sig + 0.001*rand(size(sig)); 的問題是計算使用pinv超定方程組當線性預測是bulit時（參見