sbionlinfit

Выполните регрессию нелинейного метода наименьших квадратов с помощью моделей SimBiology (требует программного обеспечения Statistics and Machine Learning Toolbox),

sbionlinfit будет удален в будущем релизе. Использование sbiofit вместо этого.

Синтаксис

results = sbionlinfit(modelObj, pkModelMapObject, pkDataObj, InitEstimates) results = sbionlinfit(modelObj, pkModelMapObject, pkDataObj, InitEstimates, Name,Value) results = sbionlinfit(modelObj, pkModelMapObject, pkDataObj, InitEstimates, optionStruct) [results, SimDataI] = sbionlinfit(...)

Описание

results = sbionlinfit(modelObj, pkModelMapObject, pkDataObj, InitEstimates) выполняет регрессию наименьших квадратов с помощью SimBiology^® модель, modelObj, и возвращает оцененные результаты в results структура.

results = sbionlinfit(modelObj, pkModelMapObject, pkDataObj, InitEstimates, Name,Value) выполняет регрессию наименьших квадратов, с дополнительными опциями, заданными одним или несколькими Name,Value парные аргументы.

Следующее является альтернативой предыдущему синтаксису:

results = sbionlinfit(modelObj, pkModelMapObject, pkDataObj, InitEstimates, optionStruct) задает optionStruct, структура, содержащая поля и значения, используется options введите структуру к nlinfit (Statistics and Machine Learning Toolbox) функция.

[results, SimDataI] = sbionlinfit(...) возвращает симуляции модели SimBiology, modelObj, использование ориентировочных стоимостей параметров.

Входные параметры

`modelObj`	Объект модели SimBiology раньше соответствовал наблюдаемым данным. Примечание При использовании объекта модели, содержащего активные дозы (то есть, содержа объекты дозы создал использование `adddose` метод, и заданный как активное использование `Active` свойство объекта дозы), иметь в виду, что эти активные дозы проигнорированы `sbionlinfit` функция.
`pkModelMapObject`	`PKModelMap` объект, который задает роли компонентов модели по оценке. Для получения дополнительной информации смотрите `PKModelMap object`. Примечание При использовании `PKModelMap` объект, который задает несколько доз, гарантирует каждый элемент в `Dosed` свойство уникально.
`pkDataObj`	`PKData` объект, который задает данные, чтобы использовать в подборе кривой и ролях столбцов данных, используемых для оценки. Для получения дополнительной информации смотрите `PKData object`. Примечание Для каждого подмножества данных, принадлежащих одной группе (как задано в столбце данных, заданном `GroupLabel` свойство), программное обеспечение позволяет несколько наблюдений, сделанных одновременно. Если это верно для ваших данных, имеют в виду что: Эти точки данных не усреднены, но адаптированы индивидуально. Различные количества наблюдений в разное время заставляют некоторые моменты времени быть взвешенными больше.
`InitEstimates`	Вектор из начального параметра оценивает для каждого параметра, оцененного в `pkModelMapObject`.`Estimated`. Длина `InitEstimates` должен равняться, по крайней мере, длине `pkmodelMapObject`.`Estimated`. Элементы `InitEstimates` преобразовываются, как задано `ParamTransform` аргумент пары "имя-значение".
`optionStruct`	Структура, содержащая поля и значения, используется `options` введите структуру к `nlinfit` (Statistics and Machine Learning Toolbox) функция. Структура может также использовать пары "имя-значение", описанные ниже в качестве полей и значений. Значения по умолчанию для `optionStruct` эквивалентны для `options` введите структуру к `nlinfit`, за исключением: `DerivStep` — Значением по умолчанию является меньший из `1e-4`, или значение `SolverOptions.RelativeTolerance` свойство конфигурации модели сопоставлено с `modelObj`, с минимумом `eps^(1/3)`. `FunValCheck` — Значением по умолчанию является `off`. Если у вас есть Parallel Computing Toolbox™, можно включить параллельные вычисления для более быстрых данных, соответствующих путем установки аргумента пары "имя-значение" `'UseParallel'` к `true` в `statset` структура опций можно следующим образом: parpool; % Open a parpool for parallel computing opt = statset(...,'UseParallel',true); % Enable parallel computing results = sbionlinfit(...,opt); % Perform data fitting

Аргументы name-value

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.

Name,Value аргументы совпадают с полями и значениями в options структура принята nlinfit. Для полного списка смотрите options входной параметр в nlinfit (Statistics and Machine Learning Toolbox) страница с описанием в документации Statistics and Machine Learning Toolbox™. Значения по умолчанию для Name,Value аргументы эквивалентны для options структура принята nlinfit, за исключением:

DerivStep — Значением по умолчанию является меньший из 1e-4, или значение SolverOptions.RelativeTolerance свойство конфигурации модели сопоставлено с modelObj, с минимумом eps^(1/3).
FunValCheck — Значением по умолчанию является off.

Следующим является дополнительный Name,Value аргументы, с которыми можно использовать sbionlinfit.

`ParamTransform`	Вектор из целых чисел, задающих преобразование, функционирует для каждого предполагаемого параметра. Функция преобразования, `f`, берет `estimate` как вход и возвращает `beta`: beta = f(estimate) Каждым элементом в векторе должно быть одно из этих целых чисел, задающих преобразование для соответствующего значения `estimate`: 0 – `beta = estimate` 1 – `beta = log(estimate)` (значение по умолчанию) 2 – `beta = probit(estimate)` 3 – `beta = logit(estimate)`
`ErrorModel`	Вектор символов, задающий форму остаточного члена. Значением по умолчанию является `'constant'`. Каждая модель задает ошибку стандартная нормальная переменная (Gaussian) e, значение функции f и один или два параметра a и b. Выбор: `'constant'`: y = f + a e `'proportional'`: y = f + b abs (f) e `'combined'`: y = f + (a +babs (f)) e `'exponential'`: y = f exp (a e), или эквивалентно регистрируют (y) = журнал (f) + a e Если вы задаете ошибочную модель, `results` выходной аргумент включает `errorparam` свойство, которое имеет значение: a для `'constant'` и `'exponential'` b для `'proportional'` [a b] для `'combined'` Примечание Если вы задаете ошибочную модель, вы не можете задать веса.
`Weights`	Любое из следующего: Матрица A действительных положительных весов, где количество столбцов соответствует количеству ответов. Таким образом, количество столбцов должно равняться количеству записей в `DependentVarLabel` свойство `pkDataObj`. Количество строк в матрице должно равняться количеству строк в наборе данных. Указатель на функцию, который принимает вектор из предсказанных значений отклика и возвращает вектор из действительных положительных весов. Примечание При использовании указателя на функцию веса должны быть функцией ответа (зависимая переменная). Значением по умолчанию не являются никакие веса. Если вы задаете веса, вы не можете задать ошибочную модель.
`Pooled`	Логическое определение, ли `sbionlinfit` делает подхождение каждому индивидууму (`false`) или если это объединяет все отдельные данные и делает одну подгонку (`true`). Если установлено в `true`, `sbionlinfit` использует те же параметры модели для каждого уровня дозы. По умолчанию: false

Выходные аргументы

results

1 N массивом объектов, где N является количеством групп в pkDataObj. Существует один объект на группу, и каждый объект содержит эти свойства:

ParameterEstimates — dataset (Statistics and Machine Learning Toolbox) массив, содержащий адаптированные коэффициенты и их стандартные погрешности.
CovarianceMatrix — Предполагаемая ковариационная матрица для подходящих коэффициентов.
beta — Вектор из скаляров, задающих приспособленные коэффициенты на преобразованном пробеле.
R — Вектор из скаляров, задающих остаточные значения, где R (i, j) является невязкой для i th момент времени и j th ответ в группе данных. Если ваша модель incudes:
- Один ответ, затем R вектор-столбец остаточных значений, сопоставленных с моментами времени в группе данных.
- Множественные ответы, затем R матрица остаточных значений, сопоставленных с моментами времени в группе данных, для каждого ответа.
J — Матрица, задающая якобиан модели, относительно предполагаемого параметра, который является
$J (i, j, k) = {\frac{\partial y_{k}}{\partial β_{j}} |}_{t_{i}}$
где _ti является i th момент времени, _βj является j th оцененный параметр на преобразованном пробеле, и _yk является k th ответ в группе данных.
Если ваша модель incudes:
- Один ответ, затем J матрица якобиевских значений, сопоставленных с моментами времени в группе данных.
- Множественные ответы, затем J трехмерный массив якобиевских значений, сопоставленных с моментами времени в группе данных, для каждого ответа.
COVB — Предполагаемая ковариационная матрица для преобразованных коэффициентов.
mse — Скаляр, задающий оценку ошибки термина отклонения.
errorparam — Предполагаемые параметры ошибочной модели. Это свойство является скаляром, если вы задаете 'constant', 'exponential', или 'proportional' для ошибочной модели. Это свойство является двухэлементным вектором, если вы задаете 'combined' для ошибочной модели. Это свойство является пустым массивом, если вы задаете веса с помощью 'Weights' аргумент пары "имя-значение".

SimDataI

SimData object содержа данные из симуляции модели с помощью оцененных значений параметров для индивидуумов. Этот объект включает наблюдаемые состояния и регистрируемые состояния.

Смотрите также

Представленный в R2009a

Документация