LeastSquaresResults object

Объект результатов, содержащий оценку, следует из регрессии наименьших квадратов

Описание

LeastSquaresResults объект является суперклассом двух объектов результатов: NLINResults object и OptimResults object. Эти объекты содержат результаты оценки того, чтобы подбирать модель SimBiology^® к использованию данных sbiofit с любым поддерживаемым алгоритмом.

Если sbiofit использует nlinfit алгоритм оценки, объектом результатов является NLINResults объект. Если sbiofit использование любой другой алгоритм поддержки, затем объектом результатов является OptimResults объект. Смотрите sbiofit функция для списка поддерживаемых алгоритмов.

Сводные данные метода

коробчатая диаграмма (LeastSquaresResults, OptimResults, NLINResults)	Создайте диаграмму, показывающую изменение предполагаемых параметров модели SimBiology
адаптированный (LeastSquaresResults, OptimResults, NLINResults)	Возвратите результаты симуляции модели SimBiology, подбиравшей с помощью регрессии наименьших квадратов
график (LeastSquaresResults, OptimResults, NLINResults)	Сравните результаты симуляции с обучающими данными, создав подграфик курса времени для каждой группы
plotActualVersusPredicted (LeastSquaresResults, OptimResults, NLINResults)	Сравните предсказания с фактическими данными, создав подграфик для каждого ответа
plotResidualDistribution (LeastSquaresResults, OptimResults, NLINResults)	Постройте распределение остаточных значений
plotResiduals (LeastSquaresResults, OptimResults, NLINResults)	Постройте остаточные значения для каждого ответа, с помощью времени, группы или предсказания как ось X
предскажите (LeastSquaresResults, OptimResults, NLINResults)	Симулируйте и оцените подбиравшую модель SimBiology
случайный (LeastSquaresResults, OptimResults, NLINResults)	Симулируйте модель SimBiology, добавив изменения путем выборки ошибочной модели
сводные данные (LeastSquaresResults, OptimResults, NLINResults)	Постройте итоговую фигуру, которая содержит статистика оценки и ориентировочные стоимости

Свойства

`GroupName`	Категориальная переменная, представляющая имя группы, сопоставленной результатами или `[]` если `'Pooled'` аргумент пары "имя-значение" был установлен в `true` когда вы запустились `sbiofit`.
`Beta`	Таблица предполагаемых параметров, где j-ая строка представляет j-ый предполагаемый параметр _βj. Это содержит преобразованные значения оценок параметра, если какой-либо параметр преобразовывает, задан. Стандартные погрешности этих оценок параметра (`StandardError`) вычисляются как: `sqrt(diag(COVB))`. Это может также содержать следующие переменные: `Bounds` — значения преобразованных границ параметра, которые вы задали во время подбора кривой `CategoryVariableName` — имена категорий или групп, которые вы задали во время подбора кривой `CategoryValue` — значения переменных категории заданы `CategoryVariableName` Эта таблица содержит одну строку на отличное значение параметров.
`ParameterEstimates`	Таблица предполагаемых параметров, где j-ая строка представляет j-ый предполагаемый параметр _βj. Эта таблица содержит непреобразованные значения оценок параметра. Стандартные погрешности этих оценок параметра (`StandardError`) вычисляются как: `sqrt(diag(CovarianceMatrix))`. Это может также содержать следующие переменные: `Bounds` — значения границ параметра, которые вы задали во время подбора кривой `CategoryVariableName` — имена категорий или групп, которые вы задали во время подбора кривой `CategoryValue` — значения переменных категории заданы `CategoryVariableName` Эта таблица содержит наборы значений параметров, которые идентифицированы для каждого индивидуума или группы.
`J`	Якобиевская матрица модели, относительно предполагаемого параметра, то есть, $J (i, j, k) = {\frac{\partial y_{k}}{\partial β_{j}} \|}_{t_{i}}$ где _ti является i th момент времени, _βj является j-ым предполагаемым параметром на преобразованном пробеле, и _yk является k-ым ответом в группе данных.
`COVB`	Предполагаемая ковариационная матрица для `Beta`, который вычисляется как: `COVB = inv(J'J)MSE`.
`CovarianceMatrix`	Предполагаемая ковариационная матрица для `ParameterEstimates`, который вычисляется как: `CovarianceMatrix = T'COVBT`, где `T = diag(JInvT(Beta))`. `JInvT(Beta)` возвращает якобиевскую матрицу `Beta` который является обратный преобразованный соответственно, если вы задали какое-либо преобразование к предполагаемым параметрам. Например, предположите, что вы задали логарифмическое преобразование для предполагаемого параметра `x` когда вы запустились `sbiofit`. Обратное преобразование: `InvT = exp(x)`, и его якобиан: `JInvT = exp(x)` начиная с производной `exp` также `exp`.
`R`	Матрица остаточных значений, где _Rij является невязкой для i-ого момента времени и j-ого ответа в группе данных.
`LogLikelihood`	Максимизируемая логарифмическая правдоподобность для подобранной модели.
`AIC`	Критерий информации о Akaike (AIC), вычисленный как `AIC = 2*(-LogLikelihood + P)`, где P является количеством параметров.
`BIC`	Байесов информационный критерий (BIC), вычисленный как `BIC = -2LogLikelihood + Plog(N)`, где N является количеством наблюдений, и P является количеством параметров.
`DFE`	Степени свободы для ошибки, вычисленной как `DFE = N-P`, где N является количеством наблюдений, и P является количеством параметров.
`MSE`	Среднеквадратическая ошибка.
`SSE`	Сумма (взвешенных) ошибок в квадрате или остаточных значений.
`Weights`	Матрица весов с одним столбцом на ответ и одной строкой на наблюдение.
`EstimatedParameterNames`	Массив ячеек из символьных векторов, задающий оцененные названия параметра.
`ErrorModelInfo`	Таблица, описывающая ошибочные модели и оцененные ошибочные параметры модели. Это ссорится на ошибочную модель. `ErrorModelInfo.Properties.RowsNames` свойство идентифицирует, к каким ответам строка применяется. Таблица содержит три переменные: `ErrorModelA`, и `b`. `ErrorModel` переменная является категориальной. Переменные `a` и `b` может быть `NaN` когда они не применяются к конкретной ошибочной модели. Существует четыре встроенных ошибочных модели. Каждая модель задает ошибку стандартный средний нуль и переменная (Gaussian) модульного отклонения e, значение функции f и один или два параметра a и b. В SimBiology функциональный f представляет результаты симуляции из модели SimBiology. `'constant'`: $y = f + a e$ `'proportional'`: $y = f + b \| f \| e$ `'combined'`: $y = f + (a + b \| f \|) e$ `'exponential'`: $y = f * \exp (a e)$
`EstimationFunction`	Имя функции оценки.
`DependentFiles`	Имена файлов, чтобы включать для развертывания.

Примечание

Loglikelihood, AIC, и BIC свойства пусты для LeastSquaresResults объекты, которые были получены перед R2016a.

Введенный в R2014a

Документация

LeastSquaresResults object

Описание

Сводные данные метода

Свойства

Смотрите также

Документация SimBiology

Поддержка