Подбирайте нелинейную модель регрессии
подбирает нелинейную модель регрессии с дополнительными опциями, заданными одним или несколькими mdl
= fitnlm(___,modelfun
,beta0
,Name,Value
)Name,Value
парные аргументы.
Создайте нелинейную модель для автоматического пробега на основе carbig
данные.
Загрузите данные и создайте нелинейную модель.
load carbig tbl = table(Horsepower,Weight,MPG); modelfun = @(b,x)b(1) + b(2)*x(:,1).^b(3) + ... b(4)*x(:,2).^b(5); beta0 = [-50 500 -1 500 -1]; mdl = fitnlm(tbl,modelfun,beta0)
mdl = Nonlinear regression model: MPG ~ b1 + b2*Horsepower^b3 + b4*Weight^b5 Estimated Coefficients: Estimate SE tStat pValue ________ _______ ________ ________ b1 -49.383 119.97 -0.41164 0.68083 b2 376.43 567.05 0.66384 0.50719 b3 -0.78193 0.47168 -1.6578 0.098177 b4 422.37 776.02 0.54428 0.58656 b5 -0.24127 0.48325 -0.49926 0.61788 Number of observations: 392, Error degrees of freedom: 387 Root Mean Squared Error: 3.96 R-Squared: 0.745, Adjusted R-Squared 0.743 F-statistic vs. constant model: 283, p-value = 1.79e-113
Создайте нелинейную модель для автоматического пробега на основе carbig
данные.
Загрузите данные и создайте нелинейную модель.
load carbig X = [Horsepower,Weight]; y = MPG; modelfun = @(b,x)b(1) + b(2)*x(:,1).^b(3) + ... b(4)*x(:,2).^b(5); beta0 = [-50 500 -1 500 -1]; mdl = fitnlm(X,y,modelfun,beta0)
mdl = Nonlinear regression model: y ~ b1 + b2*x1^b3 + b4*x2^b5 Estimated Coefficients: Estimate SE tStat pValue ________ _______ ________ ________ b1 -49.383 119.97 -0.41164 0.68083 b2 376.43 567.05 0.66384 0.50719 b3 -0.78193 0.47168 -1.6578 0.098177 b4 422.37 776.02 0.54428 0.58656 b5 -0.24127 0.48325 -0.49926 0.61788 Number of observations: 392, Error degrees of freedom: 387 Root Mean Squared Error: 3.96 R-Squared: 0.745, Adjusted R-Squared 0.743 F-statistic vs. constant model: 283, p-value = 1.79e-113
Создайте нелинейную модель для автоматического пробега на основе carbig
данные. Боритесь за большую точность путем понижения TolFun
опция, и наблюдает итерации путем установки Display
опция.
Загрузите данные и создайте нелинейную модель.
load carbig X = [Horsepower,Weight]; y = MPG; modelfun = @(b,x)b(1) + b(2)*x(:,1).^b(3) + ... b(4)*x(:,2).^b(5); beta0 = [-50 500 -1 500 -1];
Создайте опции, чтобы понизить TolFun
и сообщить об итеративном отображении и создать модель с помощью опций.
opts = statset('Display','iter','TolFun',1e-10); mdl = fitnlm(X,y,modelfun,beta0,'Options',opts);
Norm of Norm of Iteration SSE Gradient Step ----------------------------------------------------------- 0 1.82248e+06 1 678600 788810 1691.07 2 616716 6.12739e+06 45.4738 3 249831 3.9532e+06 293.557 4 17675 361544 369.284 5 11746.6 69670.5 169.079 6 7242.22 343738 394.822 7 6250.32 159719 452.941 8 6172.87 91622.9 268.674 9 6077 6957.44 100.208 10 6076.34 6370.4 88.1905 11 6075.75 5199.08 77.9694 12 6075.3 4646.61 69.764 13 6074.91 4235.96 62.9114 14 6074.55 3885.28 57.0647 15 6074.23 3571.1 52.0036 16 6073.93 3286.48 47.5795 17 6073.66 3028.34 43.6844 18 6073.4 2794.31 40.2352 19 6073.17 2582.15 37.1663 20 6072.95 2389.68 34.4243 21 6072.74 2214.84 31.965 22 6072.55 2055.78 29.7516 23 6072.37 1910.83 27.753 24 6072.21 1778.51 25.9428 25 6072.05 1657.5 24.2986 26 6071.9 1546.65 22.8011 27 6071.76 1444.93 21.4338 28 6071.63 1351.44 20.1822 29 6071.51 1265.39 19.0339 30 6071.39 1186.06 17.978 31 6071.28 1112.83 17.0052 32 6071.17 1045.13 16.107 33 6071.07 982.465 15.2762 34 6070.98 924.389 14.5063 35 6070.89 870.498 13.7916 36 6070.8 820.434 13.127 37 6070.72 773.872 12.5081 38 6070.64 730.521 11.9307 39 6070.57 690.117 11.3914 40 6070.5 652.422 10.887 41 6070.43 617.219 10.4144 42 6070.37 584.315 9.97114 43 6070.31 553.53 9.55489 44 6070.25 524.703 9.1635 45 6070.19 497.686 8.79506 46 6070.14 472.345 8.44785 47 6070.08 448.557 8.12028 48 6070.03 426.21 7.81092 49 6069.99 405.201 7.51845 50 6069.94 385.435 7.2417 51 6069.9 366.825 6.97956 52 6069.85 349.293 6.73104 53 6069.81 332.764 6.49523 54 6069.77 317.171 6.27127 55 6069.74 302.452 6.0584 56 6069.7 288.55 5.85591 57 6069.66 275.411 5.66315 58 6069.63 262.986 5.47949 59 6069.6 251.23 5.3044 60 6069.57 240.1 5.13734 61 6069.54 229.558 4.97784 62 6069.51 219.567 4.82545 63 6069.48 210.094 4.67977 64 6069.45 201.108 4.5404 65 6069.43 192.578 4.407 66 6069.4 184.479 4.27923 67 6069.38 176.785 4.15678 68 6069.35 169.472 4.03935 69 6069.33 162.518 3.9267 70 6069.31 155.903 3.81855 71 6069.29 149.608 3.71468 72 6069.26 143.615 3.61486 73 6069.24 137.907 3.51889 74 6069.22 132.468 3.42658 75 6069.21 127.283 3.33774 76 6069.19 122.339 3.25221 77 6069.17 117.623 3.16981 78 6069.15 113.123 3.09041 79 6069.14 108.827 3.01386 80 6069.12 104.725 2.94002 81 6069.1 100.806 2.86877 82 6069.09 97.0611 2.8 83 6069.07 93.4814 2.73358 84 6069.06 90.0584 2.66942 85 6069.05 86.7842 2.60741 86 6069.03 83.6513 2.54745 87 6069.02 80.6528 2.48947 88 6069.01 77.7821 2.43338 89 6068.99 75.0327 2.37908 90 6068.98 72.399 2.32652 91 6068.97 69.8752 2.27561 92 6068.96 67.4561 2.22629 93 6068.95 65.1367 2.17849 94 6068.94 62.9123 2.13216 95 6068.93 60.7784 2.08723 96 6068.92 58.7308 2.04364 97 6068.91 56.7655 2.00135 98 6068.9 54.8787 1.9603 99 6068.89 4349.28 18.1917 100 6068.77 2416.27 14.4439 101 6068.71 1721.26 12.1305 102 6068.66 1228.78 10.289 103 6068.63 884.002 8.82019 104 6068.6 639.615 7.62745 105 6068.58 464.84 6.64627 106 6068.56 338.878 5.82964 107 6068.55 247.508 5.14297 108 6068.54 180.879 4.56032 109 6068.53 132.084 4.06194 110 6068.52 96.2342 3.63255 111 6068.51 69.8363 3.2602 112 6068.51 50.3734 2.93541 113 6068.5 36.0206 2.65062 114 6068.5 25.4451 2.39969 115 6068.49 17.6692 2.17764 116 6068.49 1027.39 14.0164 117 6068.48 544.039 5.31369 118 6068.48 94.0567 2.86662 119 6068.48 113.636 3.73504 120 6068.48 0.51821 1.37054 121 6068.48 4.59524 0.912906 122 6068.48 1.56406 0.62935 123 6068.48 1.13837 0.43259 124 6068.48 0.296041 0.297545 Iterations terminated: relative change in SSE less than OPTIONS.TolFun
Задайте нелинейную модель регрессии для оценки с помощью указателя на функцию или синтаксиса модели.
Загрузка демонстрационных данных.
S = load('reaction');
X = S.reactants;
y = S.rate;
beta0 = S.beta;
Используйте указатель на функцию, чтобы задать модель Хоуджен-Уотсона для данных об уровне.
mdl = fitnlm(X,y,@hougen,beta0)
mdl = Nonlinear regression model: y ~ hougen(b,X) Estimated Coefficients: Estimate SE tStat pValue ________ ________ ______ _______ b1 1.2526 0.86701 1.4447 0.18654 b2 0.062776 0.043561 1.4411 0.18753 b3 0.040048 0.030885 1.2967 0.23089 b4 0.11242 0.075157 1.4957 0.17309 b5 1.1914 0.83671 1.4239 0.1923 Number of observations: 13, Error degrees of freedom: 8 Root Mean Squared Error: 0.193 R-Squared: 0.999, Adjusted R-Squared 0.998 F-statistic vs. zero model: 3.91e+03, p-value = 2.54e-13
В качестве альтернативы можно использовать выражение, чтобы задать модель Хоуджен-Уотсона для данных об уровне.
myfun = 'y~(b1*x2-x3/b5)/(1+b2*x1+b3*x2+b4*x3)';
mdl2 = fitnlm(X,y,myfun,beta0)
mdl2 = Nonlinear regression model: y ~ (b1*x2 - x3/b5)/(1 + b2*x1 + b3*x2 + b4*x3) Estimated Coefficients: Estimate SE tStat pValue ________ ________ ______ _______ b1 1.2526 0.86701 1.4447 0.18654 b2 0.062776 0.043561 1.4411 0.18753 b3 0.040048 0.030885 1.2967 0.23089 b4 0.11242 0.075157 1.4957 0.17309 b5 1.1914 0.83671 1.4239 0.1923 Number of observations: 13, Error degrees of freedom: 8 Root Mean Squared Error: 0.193 R-Squared: 0.999, Adjusted R-Squared 0.998 F-statistic vs. zero model: 3.91e+03, p-value = 2.54e-13
Сгенерируйте выборочные данные из нелинейной модели регрессии
где , , и коэффициенты, и остаточный член нормально распределен со средним значением 0 и стандартным отклонением 0.5.
modelfun = @(b,x)(b(1)+b(2)*exp(-b(3)*x)); rng('default') % for reproducibility b = [1;3;2]; x = exprnd(2,100,1); y = modelfun(b,x) + normrnd(0,0.5,100,1);
Установите устойчивые подходящие опции.
opts = statset('nlinfit'); opts.RobustWgtFun = 'bisquare';
Подбирайте нелинейную модель с помощью устойчивых подходящих опций. Здесь, используйте выражение, чтобы задать модель.
b0 = [2;2;2]; modelstr = 'y ~ b1 + b2*exp(-b3*x)'; mdl = fitnlm(x,y,modelstr,b0,'Options',opts)
mdl = Nonlinear regression model (robust fit): y ~ b1 + b2*exp( - b3*x) Estimated Coefficients: Estimate SE tStat pValue ________ _______ ______ __________ b1 1.0218 0.07202 14.188 2.1344e-25 b2 3.6619 0.25429 14.401 7.974e-26 b3 2.9732 0.38496 7.7232 1.0346e-11 Number of observations: 100, Error degrees of freedom: 97 Root Mean Squared Error: 0.501 R-Squared: 0.807, Adjusted R-Squared 0.803 F-statistic vs. constant model: 203, p-value = 2.34e-35
Загрузка демонстрационных данных.
S = load('reaction');
X = S.reactants;
y = S.rate;
beta0 = S.beta;
Задайте указатель на функцию для весов наблюдения. Функция признает, что модель соответствовала значениям, как введено и возвращает вектор из весов.
a = 1; b = 1; weights = @(yhat) 1./((a + b*abs(yhat)).^2);
Подбирайте модель Хоуджен-Уотсона к данным об уровне с помощью заданной функции весов наблюдения.
mdl = fitnlm(X,y,@hougen,beta0,'Weights',weights)
mdl = Nonlinear regression model: y ~ hougen(b,X) Estimated Coefficients: Estimate SE tStat pValue ________ ________ ______ _______ b1 0.83085 0.58224 1.427 0.19142 b2 0.04095 0.029663 1.3805 0.20477 b3 0.025063 0.019673 1.274 0.23842 b4 0.080053 0.057812 1.3847 0.20353 b5 1.8261 1.281 1.4256 0.19183 Number of observations: 13, Error degrees of freedom: 8 Root Mean Squared Error: 0.037 R-Squared: 0.998, Adjusted R-Squared 0.998 F-statistic vs. zero model: 1.14e+03, p-value = 3.49e-11
Загрузка демонстрационных данных.
S = load('reaction');
X = S.reactants;
y = S.rate;
beta0 = S.beta;
Подбирайте модель Хоуджен-Уотсона к данным об уровне с помощью объединенной ошибочной модели отклонения.
mdl = fitnlm(X,y,@hougen,beta0,'ErrorModel','combined')
mdl = Nonlinear regression model: y ~ hougen(b,X) Estimated Coefficients: Estimate SE tStat pValue ________ ________ ______ _______ b1 1.2526 0.86702 1.4447 0.18654 b2 0.062776 0.043561 1.4411 0.18753 b3 0.040048 0.030885 1.2967 0.23089 b4 0.11242 0.075158 1.4957 0.17309 b5 1.1914 0.83671 1.4239 0.1923 Number of observations: 13, Error degrees of freedom: 8 Root Mean Squared Error: 1.27 R-Squared: 0.999, Adjusted R-Squared 0.998 F-statistic vs. zero model: 3.91e+03, p-value = 2.54e-13
tbl
— Входные данныеВходные данные включая переменные прогноза и переменные отклика в виде таблицы или массива набора данных. Переменные предикторы и переменная отклика должны быть числовыми.
Если вы задаете modelfun
с помощью формулы спецификация модели в формуле задает переменные прогноза и переменные отклика.
Если вы задаете modelfun
с помощью указателя на функцию последняя переменная является переменной отклика, и другие - переменные предикторы по умолчанию. Можно установить различный столбец как переменную отклика при помощи ResponseVar
аргумент пары "имя-значение". Чтобы выбрать подмножество столбцов как предикторы, используйте PredictorVars
аргумент пары "имя-значение".
Имена переменных в таблице не должны быть допустимыми идентификаторами MATLAB®. Однако, если имена не допустимы, вы не можете задать modelfun
использование формулы.
Можно проверить имена переменных в tbl
при помощи isvarname
функция. Следующий код возвращает логический 1
TRUE
) для каждой переменной, которая имеет допустимое имя переменной.
cellfun(@isvarname,tbl.Properties.VariableNames)
tbl
не допустимы, затем преобразуют их при помощи matlab.lang.makeValidName
функция.tbl.Properties.VariableNames = matlab.lang.makeValidName(tbl.Properties.VariableNames);
Типы данных: table
X
— Переменные предикторыПеременные предикторы в виде n-by-p матрица, где n является количеством наблюдений и p, являются количеством переменных предикторов. Каждый столбец X
представляет одну переменную, и каждая строка представляет одно наблюдение.
Типы данных: single
| double
y
— Переменная откликаПеременная отклика в виде n-by-1 вектор, где n является количеством наблюдений. Каждая запись в y
ответ для соответствующей строки X
.
Типы данных: single
| double
modelfun
— Функциональная форма модели'y
~
f
(b1, b2..., bj, x1, x2..., xk)'
Функциональная форма модели в виде любого из следующих.
Указатель на функцию @
или modelfun
(b, x)
, где modelfun
b
вектор коэффициентов с тем же числом элементов как beta0
.
x
матрица с одинаковым числом столбцов как X
или количество столбцов переменного предиктора tbl
.
modelfun
(b,x)
возвращает вектор-столбец, который содержит одинаковое число строк как x
. Каждая строка вектора является результатом оценки modelfun
на соответствующей строке x
. Другими словами, modelfun
векторизованная функция, та, которая работает со всеми строками данных и возвращает все оценки в одном вызове функции. modelfun
должен возвратить вещественные числа, чтобы получить значимые коэффициенты.
Вектор символов или формула строкового скаляра в форме '
, где y
~ f
(b1, b2..., bj, x1, x2..., xk)'f
представляет скалярную функцию скалярных содействующих переменных b1
..., bj
и скалярные переменные данных x1
..., xk
. Имена переменных в формуле должны быть допустимыми идентификаторами MATLAB.
Типы данных: function_handle
| char
| string
beta0
— КоэффициентыКоэффициенты для нелинейной модели в виде числового вектора. NonLinearModel
запускает его поиск оптимальных коэффициентов с beta0
.
Типы данных: single
| double
Задайте дополнительные разделенные запятой пары Name,Value
аргументы. Name
имя аргумента и Value
соответствующее значение. Name
должен появиться в кавычках. Вы можете задать несколько аргументов в виде пар имен и значений в любом порядке, например: Name1, Value1, ..., NameN, ValueN
.
'ErrorModel','combined','Exclude',2,'Options',opt
задает ошибочную модель как объединенную модель, исключает второе наблюдение из подгонки и использует опции, заданные в структуре opt
управлять итеративной подходящей процедурой.'CoefficientNames'
— Имена коэффициентов модели{'b1', 'b2'..., 'bk
'}
(значение по умолчанию) | массив строк | массив ячеек из символьных векторовИмена коэффициентов модели в виде массива строк или массива ячеек из символьных векторов.
Типы данных: string
| cell
'ErrorModel'
— Форма ошибочной модели отклонения'constant'
(значение по умолчанию) | 'proportional'
| 'combined'
Форма ошибочной модели отклонения в виде одного из следующих. Каждая модель задает ошибку стандартный средний нуль и переменная e модульного отклонения в сочетании с независимыми компонентами: значение функции f и один или два параметра a и b
'constant' (значение по умолчанию) | |
'proportional' | |
'combined' |
Единственная позволенная ошибочная модель при использовании Weights
'constant'
.
Примечание
options.RobustWgtFun
должен иметь значение []
при использовании ошибочной модели кроме 'constant'
.
Пример: 'ErrorModel','proportional'
'ErrorParameters'
— Первоначальные оценки ошибочных параметров моделиПервоначальные оценки ошибочных параметров модели для выбранного ErrorModel
В виде числового массива.
Ошибочная модель | Параметры | Значения по умолчанию |
---|---|---|
'constant' | a | 1
|
'proportional' | b | 1
|
'combined' | a, B | [1,1]
|
Можно только использовать 'constant'
ошибочная модель при использовании Weights
.
Примечание
options.RobustWgtFun
должен иметь значение []
при использовании ошибочной модели кроме 'constant'
.
Например, если 'ErrorModel'
имеет значение 'combined'
, можно задать начальное значение 1 для a и начального значения 2 для b можно следующим образом.
Пример: 'ErrorParameters',[1,2]
Типы данных: single
| double
'Exclude'
— Наблюдения, чтобы исключитьНаблюдения, чтобы исключить из подгонки в виде разделенной запятой пары, состоящей из 'Exclude'
и логический или числовой вектор индекса указание, который наблюдения исключить из подгонки.
Например, можно исключить наблюдения 2 и 3 из 6 использований любого из следующих примеров.
Пример: 'Exclude',[2,3]
Пример: 'Exclude',logical([0 1 1 0 0 0])
Типы данных: single
| double
| logical
'Options'
— Опции для управления итеративной подходящей процедуройОпции для управления итеративной подходящей процедурой в виде структуры, созданной statset
. Соответствующие поля являются непустыми полями в структуре, возвращенной вызовом statset('fitnlm')
.
Опция | Значение | Значение по умолчанию |
---|---|---|
DerivStep | Относительная разница используется в вычислениях производной конечной разности. Положительная скалярная величина или вектор из положительных скалярных величин тот же размер как вектор из параметров, оцененных функцией Statistics and Machine Learning Toolbox™ использование структуры опций. | eps^(1/3) |
Display |
Объем информации отображен алгоритмом подбора.
| 'off' |
FunValCheck | Вектор символов или строковый скаляр, указывающий, чтобы проверять на недопустимые значения, такие как NaN или Inf , от функции модели. | 'on' |
MaxIter | Максимальное количество итераций позволено. Положительное целое число. | 200
|
RobustWgtFun | Функция веса для устойчивого подбора кривой. Может также быть указатель на функцию, который принимает нормированную невязку, как введено и возвращает устойчивые веса, как выведено. Если вы используете указатель на функцию, даете Tune постоянный. См. Устойчивые Опции | [] |
Tune | Настройка постоянного используемый в устойчивом подборе кривой, чтобы нормировать остаточные значения прежде, чем применить функцию веса. Положительная скалярная величина. Требуемый, если функция веса определяется функцией указатель. | См. Устойчивые Опции для значения по умолчанию, которое зависит от RobustWgtFun . |
TolFun | Допуск завершения к значению целевой функции. Положительная скалярная величина. | 1e-8 |
TolX | Допуск завершения к параметрам. Положительная скалярная величина. | 1e-8 |
Типы данных: struct
'PredictorVars'
— Переменные предикторыПеременные предикторы, чтобы использовать в подгонке в виде разделенной запятой пары, состоящей из 'PredictorVars'
и или массив строк или массив ячеек из символьных векторов имен переменных в таблице или массиве набора данных tbl
, или логический или числовой вектор индекса указание, какие столбцы являются переменными предикторами.
Значения строки или векторы символов должны быть среди имен в tbl
, или имена вы задаете использование 'VarNames'
аргумент пары "имя-значение".
Значением по умолчанию являются все переменные в X
, или все переменные в tbl
за исключением ResponseVar
.
Например, можно задать вторые и третьи переменные как переменные предикторы с помощью любого из следующих примеров.
Пример: 'PredictorVars',[2,3]
Пример: 'PredictorVars',logical([0 1 1 0 0 0])
Типы данных: single
| double
| logical
| string
| cell
'ResponseVar'
— Переменная откликаtbl
(значение по умолчанию) | имя переменной | логический или числовой вектор индексаПеременная отклика, чтобы использовать в подгонке в виде разделенной запятой пары, состоящей из 'ResponseVar'
и или имя переменной в таблице или массив набора данных tbl
, или логический или числовой вектор индекса указание, какой столбец является переменной отклика.
Если вы задаете модель, она задает переменную отклика. В противном случае, при подборе кривой таблице или массиву набора данных, 'ResponseVar'
указывает который переменная fitnlm
должен использовать в качестве ответа.
Например, можно задать четвертую переменную, сказать yield
, как ответ из шести переменных, одним из следующих способов.
Пример: 'ResponseVar','yield'
Пример: 'ResponseVar',[4]
Пример: 'ResponseVar',logical([0 0 0 1 0 0])
Типы данных: single
| double
| logical
| char
| string
'VarNames'
— Имена переменных{'x1','x2',...,'xn','y'}
(значение по умолчанию) | массив строк | массив ячеек из символьных векторовИмена переменных в виде разделенной запятой пары, состоящей из 'VarNames'
и массив строк или массив ячеек из символьных векторов включая имена для столбцов X
во-первых, и имя для переменной отклика y
в последний раз.
'VarNames'
не применимо к переменным в таблице или массиве набора данных, потому что те переменные уже имеют имена.
Пример: 'VarNames',{'Horsepower','Acceleration','Model_Year','MPG'}
Типы данных: string
| cell
'Weights'
— Веса наблюденияones(n,1)
(значение по умолчанию) | вектор из неотрицательных скалярных значений | указатель на функциюВеса наблюдения в виде вектора из неотрицательных скалярных значений или указателя на функцию.
Если вы задаете вектор, то он должен иметь элементы n, где n является количеством строк в tbl
или y
.
Если вы задаете указатель на функцию, то функция должна принять вектор из предсказанных значений отклика, как введено, и возвращать вектор из действительных положительных весов, как выведено.
Учитывая веса, W
, NonLinearModel
оценивает ошибочное отклонение при наблюдении i
MSE*(1/W(i))
, где MSE является среднеквадратической ошибкой.
Типы данных: single
| double
| function_handle
mdl
— Нелинейная модельNonLinearModel
объектНелинейная модель, представляющая метод наименьших квадратов ответа на данные, возвращенные как NonLinearModel
объект.
Если Options
структура содержит непустой RobustWgtFun
поле, модель не является методом наименьших квадратов, но использует RobustWgtFun
устойчивая подходящая функция.
Для свойств и методов нелинейного объекта модели, mdl
, смотрите NonLinearModel
страница класса.
Функция веса | Уравнение | Значение по умолчанию, настраивающееся постоянный |
---|---|---|
'andrews' | w = (abs(r)<pi) .* sin(r) ./ r | 1.339 |
'bisquare' (значение по умолчанию) | w = (abs(r)<1) .* (1 - r.^2).^2 | 4.685 |
'cauchy' | w = 1 ./ (1 + r.^2) | 2.385 |
'fair' | w = 1 ./ (1 + abs(r)) | 1.400 |
'huber' | w = 1 ./ max(1, abs(r)) | 1.345 |
'logistic' | w = tanh(r) ./ r | 1.205 |
'talwar' | w = 1 * (abs(r)<1) | 2.795 |
'welsch' | w = exp(-(r.^2)) | 2.985 |
[] | Никакой устойчивый подбор кривой | — |
fitnlm
использует тот же алгоритм подбора как nlinfit
.
fitnlm
рассматривает NaN
значения в tbl
X
, и y
быть отсутствующими значениями. При подбирании модели, fitnlm
не использует наблюдения с отсутствующими значениями или наблюдения в который modelfun
возвращает NaN
значения. ObservationInfo
свойство подобранной модели содержит информацию относительно действительно ли fitnlm
использование каждое наблюдение в подгонке.
[1] Seber, G. A. F. и C. J. Дикий. Нелинейная регрессия. Хобокен, NJ: Wiley-межнаука, 2003.
[2] DuMouchel, W. H. и Ф. Л. О'Брайен. “Интегрируя Устойчивую Опцию в Вычислительную среду Регрессии кратного”. Информатика и Статистика: Продолжения 21-го Симпозиума по Интерфейсу. Александрия, ВА: американская Статистическая Ассоциация, 1989.
[3] Голландия, P. W. и Р. Э. Велш. “Устойчивая Регрессия Используя Итеративно Перевзвешенные Наименьшие квадраты”. Коммуникации в Статистике: Теория и Методы, A6, 1977, стр 813–827.
У вас есть модифицированная версия этого примера. Вы хотите открыть этот пример со своими редактированиями?
1. Если смысл перевода понятен, то лучше оставьте как есть и не придирайтесь к словам, синонимам и тому подобному. О вкусах не спорим.
2. Не дополняйте перевод комментариями “от себя”. В исправлении не должно появляться дополнительных смыслов и комментариев, отсутствующих в оригинале. Такие правки не получится интегрировать в алгоритме автоматического перевода.
3. Сохраняйте структуру оригинального текста - например, не разбивайте одно предложение на два.
4. Не имеет смысла однотипное исправление перевода какого-то термина во всех предложениях. Исправляйте только в одном месте. Когда Вашу правку одобрят, это исправление будет алгоритмически распространено и на другие части документации.
5. По иным вопросам, например если надо исправить заблокированное для перевода слово, обратитесь к редакторам через форму технической поддержки.