MNC는 다음을 포함하여 위치합니다. 연구자가 선험적으로 선택한 기능에 대한 최상의 매개변수 선택을 평가하는 방법으로.
함수 집합의 경우 이러한 매개변수를 계산하기 위한 공식이 파생되어 근사 함수에서 실제 데이터의 제곱 편차를 최소화합니다.
뚱뚱한 꼬리는 어디에서 유래합니까?
나를 계몽 pl...
연구자가 선택한 모델이 실제 시리즈에 적합하지 않은 경우 두꺼운 꼬리가 발생할 수 있습니다. 실제 데이터에 대한 회귀 모델의 적절성에 대한 표준 테스트는 잔차 분포입니다. 잔차는 모델 데이터에서 실제 데이터의 편차입니다. 모델이 적절하면 잔차 분포는 다음과 같아야 합니다. 정상. 최소 제곱은 이러한 편차의 합을 최소화하지만 잔차 분포는 계열의 일부에 있을 수 있지만 반드시 정규 분포가 아닐 수 있습니다. 선형 회귀는 드리프트가 있는 SB 모델 또는 이 모델을 충족하는 계열의 별도 섹션에 적합합니다. 이러한 영역이 끝나기 전에 식별할 수 있다면 선형 회귀가 실용적입니다. 그리고 MNC는 선택한 모델의 매개변수만 선택합니다. 모델 자체의 적합성을 보장하지는 않습니다. 따라서 LSM은 책임이 없습니다. 적절한 모델과 올바른 매개변수화를 선택하는 것이 중요합니다. 그리고 그 모델은 아마도 무엇이든 - 고정/비정상 또는 다양한 분포의 합계. 임하
연구자가 선택한 모델이 실제 시리즈에 적합하지 않은 경우 두꺼운 꼬리가 발생할 수 있습니다. 실제 데이터에 대한 회귀 모델의 적절성에 대한 표준 테스트는 잔차 분포입니다. 잔차는 모델 데이터에서 실제 데이터의 편차입니다. 모델이 적절하면 잔차 분포는 다음과 같아야 합니다. 정상. 최소 제곱은 이러한 편차의 합을 최소화하지만 잔차 분포는 계열의 일부에 있을 수 있지만 반드시 정규 분포가 아닐 수 있습니다. 선형 회귀는 드리프트가 있는 SB 모델 또는 이 모델을 충족하는 계열의 별도 섹션에 적합합니다. 이러한 영역이 끝나기 전에 식별할 수 있다면 선형 회귀가 실용적입니다. 그리고 MNC는 선택한 모델의 매개변수만 선택합니다. 모델 자체의 적합성을 보장하지는 않습니다. 따라서 LSM은 책임이 없습니다. 적절한 모델과 올바른 매개변수화를 선택하는 것이 중요합니다. 그리고 그 모델은 아마도 무엇이든 - 고정/비정상 또는 다양한 분포의 합계. 임하
예(Google에서 제공한 것으로 판단 :)), 측정 오류가 정규 분포를 따르는 경우 LSM이 최적인 것 같습니다. 다른 오류 분포의 경우 최소 계수 방법(오차는 Laplace에 따라 분포됨)과 최대 가능도 방법(일반적으로 오류 분포가 알려진 경우)이 있습니다. MNK가 항상 최고는 아닙니다 :)
예, 그리고 가우스의 경우 LSM이 최대 가능성 방법과 동일하다는 Alexei의 의견에 동의합니다. 다른 배포판에서는 더 나쁘고 훨씬 더 나쁜 결과를 제공합니다. 학교에서 수학 시간에 항상 나를 어리둥절하게 했던 선생님의 표준 문구가 기억납니다. "우리가 계산을 하는 것이 더 쉽기 때문에(!!!!), 오류는 가우스입니다." 동시에, 이러한 방법의 창시자 자신(특히 오일러)조차도 연구원들에게 계산의 단순성을 위해 추론의 논리를 희생하는 위험에 대해 경고했다고 생각하는 사람은 거의 없습니다. 결과적으로 대체 방법의 수학적 장치는 제대로 개발되지 않았으며 모든 것을 중간에 수행하고 스스로 생각해 내야합니다. 부모님이 엔지니어로 공부하라고 보내주셔서 좋았어요 :)))
j21,
다항식의 선택과 관련하여 저는 개인적으로 3차 또는 4차 이상으로 갈 이유가 없다고 생각합니다.
예(Google에서 제공한 것으로 판단 :)), 측정 오류가 정규 분포를 따르는 경우 LSM이 최적인 것 같습니다. 다른 오류 분포의 경우 최소 계수 방법(오차는 Laplace에 따라 분포됨)과 최대 가능도 방법(일반적으로 오류 분포가 알려진 경우)이 있습니다. MNK가 항상 최고는 아닙니다 :)
사실, 우리의 경우 오류 분포는 여전히 알 수 없습니다 ...
그것은 단지 우리가 " 그럴듯한" 기능에 접근 해야 한다는 것을 의미할 뿐, 그것을 맞추지 않아야 합니다...
자유도의 숫자가 스트레스가 되지 않고 의존 유형이 선험적으로 명확하다면 질문이 무엇입니까?
Z.Y. 그러나 나는 분명히 무인도를 그리워했다. 링크를 공유하지 마십시오. 실이 센스있다고 읽고싶다...
잘은 모르겠지만 이 섬은 지식권에 떠 있는 것 같아요...
그리고 인구는 불멸에 속고 있습니다.
임호.
더 자세하게 얘기해 주 시겠어요?
MNC는 다음을 포함하여 위치합니다. 연구자가 선험적으로 선택한 기능에 대한 최상의 매개변수 선택을 평가하는 방법으로.
함수 집합의 경우 이러한 매개변수를 계산하기 위한 공식이 파생되어 근사 함수에서 실제 데이터의 제곱 편차를 최소화합니다.
뚱뚱한 꼬리는 어디에서 유래합니까?
나를 계몽 pl...
연구자가 선택한 모델이 실제 시리즈에 적합하지 않은 경우 두꺼운 꼬리가 발생할 수 있습니다. 실제 데이터에 대한 회귀 모델의 적절성에 대한 표준 테스트는 잔차 분포입니다. 잔차는 모델 데이터에서 실제 데이터의 편차입니다. 모델이 적절하면 잔차 분포는 다음과 같아야 합니다. 정상. 최소 제곱은 이러한 편차의 합을 최소화하지만 잔차 분포는 계열의 일부에 있을 수 있지만 반드시 정규 분포가 아닐 수 있습니다. 선형 회귀는 드리프트가 있는 SB 모델 또는 이 모델을 충족하는 계열의 별도 섹션에 적합합니다. 이러한 영역이 끝나기 전에 식별할 수 있다면 선형 회귀가 실용적입니다. 그리고 MNC는 선택한 모델의 매개변수만 선택합니다. 모델 자체의 적합성을 보장하지는 않습니다. 따라서 LSM은 책임이 없습니다. 적절한 모델과 올바른 매개변수화를 선택하는 것이 중요합니다. 그리고 그 모델은 아마도 무엇이든 - 고정/비정상 또는 다양한 분포의 합계. 임하
상세내용 https://www.mql5.com/go?link=http://emm.ostu.ru/lect/lect6_2.html[hash]vopros11 " 회귀모델 적정성 확인 중"
연구자가 선택한 모델이 실제 시리즈에 적합하지 않은 경우 두꺼운 꼬리가 발생할 수 있습니다. 실제 데이터에 대한 회귀 모델의 적절성에 대한 표준 테스트는 잔차 분포입니다. 잔차는 모델 데이터에서 실제 데이터의 편차입니다. 모델이 적절하면 잔차 분포는 다음과 같아야 합니다. 정상. 최소 제곱은 이러한 편차의 합을 최소화하지만 잔차 분포는 계열의 일부에 있을 수 있지만 반드시 정규 분포가 아닐 수 있습니다. 선형 회귀는 드리프트가 있는 SB 모델 또는 이 모델을 충족하는 계열의 별도 섹션에 적합합니다. 이러한 영역이 끝나기 전에 식별할 수 있다면 선형 회귀가 실용적입니다. 그리고 MNC는 선택한 모델의 매개변수만 선택합니다. 모델 자체의 적합성을 보장하지는 않습니다. 따라서 LSM은 책임이 없습니다. 적절한 모델과 올바른 매개변수화를 선택하는 것이 중요합니다. 그리고 그 모델은 아마도 무엇이든 - 고정/비정상 또는 다양한 분포의 합계. 임하
상세내용 https://www.mql5.com/go?link=http://emm.ostu.ru/lect/lect6_2.html[hash]vopros11 " 회귀모델 적정성 확인 중"
이거 나한테 쓴거야? 영형)
저번에 얘기했는데...
프리랜스 19.09.2010 15:52글쎄, 그것을 가지고 다항식으로 근사할 때 오류의 경험적 분포를 얻으십시오. 그리고 정상과 비교합니다. 중앙 부분이 아닌 꼬리 부분에 특별한 주의를 기울이십시오.
다항식의 가장 좋은(최소 제곱의 의미에서) 매개변수를 선택하는 것에 대해 이야기하고 있습니까?
아니면 그것들을 선택하십시오 - 그러나 다른 의미에서 최고입니까?
또는 근사를 위한 다항식의 올바른 선택에 대해?
미리 선택된 함수의 매개변수를 계산하는 최소제곱법의 비효율성에 대해 설명을 부탁했습니다.
그리고 이러한 매개 변수를 결정하는 동일한 간단한 절차가 있다면 기꺼이 알게 될 것입니다.
그러나 질문의 포즈는 나를 놀라게합니다. 오류에 꼬리가 있기 때문에 MNC가 좋지 않습니다 ...
;)
여기에서 그들은 또 다른 아이디어를 추진하고 있습니다.
이러한 목적 함수(오차 제곱의 합)는 오차 분포 자체가 정상일 때만 최적입니다.
;)
이거 나한테 쓴거야? 영형)
저번에 얘기했는데...
프리랜스 19.09.2010 15:52나는 인용 된 것에 반대하여 쓰지 않았지만, 심지어를 위해 :)
나는 인용 된 것에 반대하여 쓰지 않았지만 심지어를 위해 :)
토론에 도움을 주셔서 감사합니다.
그러나 Alexey의 질문/답변은 열려 있습니다.
미래의 오차 분포의 정규성에 대한 확신이 있는 경우에만 최소 제곱을 적용하시겠습니까?
좋아요 - 환매를 알고 ...
;)
미래의 오차 분포의 정규성에 대한 확신이 있는 경우에만 최소 제곱을 적용하시겠습니까?
;)
예(Google에서 제공한 것으로 판단 :)), 측정 오류가 정규 분포를 따르는 경우 LSM이 최적인 것 같습니다. 다른 오류 분포의 경우 최소 계수 방법(오차는 Laplace에 따라 분포됨)과 최대 가능도 방법(일반적으로 오류 분포가 알려진 경우)이 있습니다. MNK가 항상 최고는 아닙니다 :)
사실, 우리의 경우 오류 분포는 여전히 알 수 없습니다 ...
FreeLance :
미래의 오차 분포의 정규성에 대한 확신이 있는 경우에만 최소 제곱을 적용하시겠습니까?
예, 그리고 가우스의 경우 LSM이 최대 가능성 방법과 동일하다는 Alexei의 의견에 동의합니다. 다른 배포판에서는 더 나쁘고 훨씬 더 나쁜 결과를 제공합니다. 학교에서 수학 시간에 항상 나를 어리둥절하게 했던 선생님의 표준 문구가 기억납니다. "우리가 계산을 하는 것이 더 쉽기 때문에(!!!!), 오류는 가우스입니다." 동시에, 이러한 방법의 창시자 자신(특히 오일러)조차도 연구원들에게 계산의 단순성을 위해 추론의 논리를 희생하는 위험에 대해 경고했다고 생각하는 사람은 거의 없습니다. 결과적으로 대체 방법의 수학적 장치는 제대로 개발되지 않았으며 모든 것을 중간에 수행하고 스스로 생각해 내야합니다. 부모님이 엔지니어로 공부하라고 보내주셔서 좋았어요 :)))
j21,
다항식의 선택과 관련하여 저는 개인적으로 3차 또는 4차 이상으로 갈 이유가 없다고 생각합니다.
예(Google에서 제공한 것으로 판단 :)), 측정 오류가 정규 분포를 따르는 경우 LSM이 최적인 것 같습니다. 다른 오류 분포의 경우 최소 계수 방법(오차는 Laplace에 따라 분포됨)과 최대 가능도 방법(일반적으로 오류 분포가 알려진 경우)이 있습니다. MNK가 항상 최고는 아닙니다 :)
사실, 우리의 경우 오류 분포는 여전히 알 수 없습니다 ...
그것은 단지 우리가 " 그럴듯한" 기능에 접근 해야 한다는 것을 의미할 뿐, 그것을 맞추지 않아야 합니다...
네 번째 학위.
;)
설명을 위해 사진을 보여드리겠습니다.
추신 만일을 대비하여 설명하겠습니다. 이 그림은 하나의 강력한 이상값이 최소 제곱으로 무엇을 할 수 있는지 명확하게 보여줍니다. 물론 여기의 배출은 명확성을 위해 상당히 탁월합니다.