least-squares

0热度

1回答

我想计算一些数据的线性回归，我已经使用MATLAB的fitlm工具。使用普通最小二乘法（OLS）我得到相当低的R平方值（〜0.2-0.5），偶尔甚至是不切实际的结果。而当使用鲁棒回归（特别是'talwar'选项）时，我得到更好的结果（R2〜0.7-0.8）。我不是统计学家，所以我的问题是：是否有任何理由我应该不是相信强大的结果会更好？下面是一些数据的例子。显示的数据产生OLS的R2：0.56，

-2热度

2回答

线性回归 - 估计后陷入Matlab中的模型比较？

我想确定估计模型对未来新数据的适用程度。为此，经常使用预测误差图。基本上，我想比较测量的输出和模型输出。我使用最小均方算法作为均衡技术。有人可以请帮助什么是适当的方式来绘制模型和测量数据之间的比较？如果估计值接近真值，那么曲线应该非常接近。以下是代码。 u是均衡器的输入，x是有噪声的接收信号，y是均衡器的输出，w是均衡器权重。应该使用x和y*w来绘制图表吗？但是x是嘈杂。我很困惑，因为测量的输出x

2热度

1回答

L1正则化最小二乘法

我想通过L1正则化最小二乘法解决以下拉索优化功能。我为我的项目使用python。 α'* = arg min (||y’–B’α’||_2^2 + λ||α’||_1) 这里α'*是一个载体。尺寸B’=(m+p)*p,y’=(m+p)*1,α‘=p*1 我无法解决这个方程。请任何人解释eqn和解决这个公式的方法L1正则化最小二乘法。

1热度

1回答

使用lsqnonlin在所有迭代过程中绘制函数值演化

我使用lsqnonlin作为我的优化例程。我需要在每次迭代时绘制成本函数，同时显示以前的所有值。所以我想显示类似this：然而，使用lsqnonlin，我只能够在只有当前迭代绘制成本函数的值。使用这些选项： options = optimset('TolFun', 1e-5, 'TolX',1e-5, 'MaxFunEvals', 10000, 'PlotFcns', @optimplotf

0热度

2回答

最小二乘多项式拟合仅适用于偶数个坐标

我已经编写了一个程序，该程序通过给出多个坐标来计算抛物线的方程，但它仅适用于偶数个坐标。如果我输入一个不规则的数字，它会显示一些无意义的bs。下面是代码（我不能在这里复制，因为一些格式问题的代码）： #include<iostream> #include<iomanip> #include<cmath> using namespace std; int main() { in

1热度

2回答

最小二乘：Python的

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

0热度

1回答

最小二乘法不适用于一套y's

我试图运行使用numpy的最小二乘算法，并且遇到了麻烦。有人可以告诉我在给定的代码中我做错了什么吗？当我将y设置为y = np.power(X, 1) + np.random.rand(20)*3或x的其他合理函数时，一切工作正常。但是对于那些由y值定义的特定y，我得到的情节是毫无意义的。这是一种数值问题吗？ import numpy as np import matplotlib.pyplo

1热度

1回答

Matlab分析器：optimoptions（）与lsqnonlin（）大致相同时间

我正在运行调用lsqnonlin（）1000次的代码。我剖析了代码，发现optimoptions（）占用了大约40％的时间。相反，我设置了opt1 = optimotpions（）一次，并将opt1作为参数传递给运行lsqnonlin（）的函数，我看到了性能改进。什么是采取optimoptions（）那么长？

0热度

1回答

使用lmfit时以适应点

我使用下面的代码，以适应三维点云3D线的云3D线添加砝码。我使用lmfit的最小二乘法，以尽量减少。我需要增加权重的不同点，但不知道如何做到这一点使用数组（和不是标）距离输出时。使用标量时的问题是它不如使用数组时好。我假设因为有大量的变量。所以问题是 - 有没有办法给添加权重为每个元素的数组最小化？使用像Nelder w/scaral输入的东西不能很好地执行3D配合。 from lmfit

3热度

1回答

Octave中的鲁棒最小二乘法

我正在使用Octave编程classical Prony's method（有时是Prony分析）。该脚本相当优良的测试信号，如： t = 1:600; sig = exp(-0.01*t).*cos(0.1*t); ，但完全倒塌时，即使添加的噪声量小： sig = sig + 0.001*rand(size(sig)); 的问题是计算使用pinv超定方程组当线性预测是bulit时（参见