Вы давайте синус приближайте. Я тоже так могу - взять удобные данные и на них что-то иллюстрировать. Если метод сработал в одном случае - это не значит, что он сработает во всех случаях.
Универсальная регрессионная модель
Универсальная регрессионная модель
Последний раз редактировалось Sonic86 28 ноя 2019, 16:50, всего редактировалось 1 раз.
Причина: test
Причина: test
Универсальная регрессионная модель
Vector писал(а):Source of the postSonic86 писал(а):Source of the postТ.е. "необходимость" доказывать уже не будете? Надеюсь, стало понятно, что ее нет.yosuf писал(а):Source of the post Как раз можно показать, что как гамма-распределением приближать синусоиду).
Предлагаемое уравнение выявляет заложенную закномерность числового ряда, идеально описывает и линейную зависимость.
Насчет числового ряда не понял - текст бессмысленен!
О! Вот Вам синусоида: для . Приблизьте ее, пожалуйста, Вашей функцией - выпишите коэффициенты. А я ее тогда буду кубическим многочленом приближать.
Напишите коэффициенты и я напишу - и сравним, у кого лучше.
А потом поспорим о единственности модели и изобретём велосипед.
Пожалуй, начнем
Хочу напомнить, что когда обрабатываете фактические данные мы не знаем, что они подчиняются закону синуса и поэтому данные будем вводить по мере их поступления через каждые 0,05 единиц, т.е. по закономерности y=4+Sin(pi/2 +0.05x)
Вот что получается:
pi/2+0.05x............. 4+Sinx(pi/2+0.05x) .....18
1,570796327 4.................. 4
1,620796327 3,99875026 3,99863733
1,670796327 3,995004165 3,994601245
1,720796327 3,988771078 3,987968385
1,770796327 3,980066578 3,978813743
1,820796327 3,968912422 3,967210703
1,870796327 3,955336489 3,953231063
1,920796327 3,939372713 3,936945074
1,970796327 3,921060994 3,918421462
2,020796327 3,900447102 3,897727463
2,070796327 3,877582562 3,874928845
2,120796327 3,852524522 3,850089945
2,170796327 3,825335615 3,823273688
2,220796327 3,796083798 3,79454162
2,270796327 3,764842187 3,763953931
2,320796327 3,731688869 3,731569482
2,370796327 3,696706709 3,697445835
2,420796327 3,659983146 3,661639265
2,470796327 3,621609968 3,624204809
2,520796327 3,581683089 3,585196263
2,570796327 3,540302306 3,544666224
2,620796327 3,497571048 3,502666105
2,670796327 3,453596121 3,459246163
2,720796327 3,408487441 3,414455518
2,770796327 3,362357754 3,368342177
2,820796327 3,315322362 3,320953057
2,870796327 3,267498828 3,272334002
2,920796327 3,219006687 3,222529808
2,970796327 3,169967143 3,171584242
3,020796327 3,120502769 3,119540064
3,070796327 3,070737201 3,066439043
3,120796327 3,020794828 3,012321966
3,170796327 2,970800477 2,957228711
18 = (CQ3+ГАММАРАСП(X/CD3;2;1;1)*CJ3)=4+ГАММАРАСП(x/61.5198;2;1;1)*(-13.2994)
Последний раз редактировалось yosuf 28 ноя 2019, 16:50, всего редактировалось 1 раз.
Причина: test
Причина: test
Универсальная регрессионная модель
Пусть зашумленнный гауссовской помехой синусоидальный сигнал наблюдается в течении первого полупериода (получено 100 точек измерения). Требуется подобрать функцию регрессии и сделать прогноз значений сигнала в течении второго полупериода.
Исходный сигнал .
У меня вот что получилась. А теперь вы попробуйте решить эту задачу со своей универсальной функцией регрессии.
Исходный сигнал .
У меня вот что получилась. А теперь вы попробуйте решить эту задачу со своей универсальной функцией регрессии.
Последний раз редактировалось Таланов 28 ноя 2019, 16:50, всего редактировалось 1 раз.
Причина: test
Причина: test
Универсальная регрессионная модель
Таланов писал(а):Source of the post
У меня вот что получилась. А теперь вы попробуйте решить эту задачу со своей универсальной функцией регрессии.
Юсуфходжа Султонов! Ну что у Вас получилось? Не томите, уже месяц прошёл.
Последний раз редактировалось Таланов 28 ноя 2019, 16:50, всего редактировалось 1 раз.
Причина: test
Причина: test
Универсальная регрессионная модель
Какая дискуссия развернулась тут)
Ребяты я вам вот что скажу: НЕ НАДО ИСКАТЬ УНИВЕРСАЛЬНОЕ РЕШЕНИЕ - ЕГО НЕТ!
В каждом конкретном случае, нужно применять тот метод который подходит лучше всего.
Ребяты я вам вот что скажу: НЕ НАДО ИСКАТЬ УНИВЕРСАЛЬНОЕ РЕШЕНИЕ - ЕГО НЕТ!
В каждом конкретном случае, нужно применять тот метод который подходит лучше всего.
Последний раз редактировалось vasiatka 28 ноя 2019, 16:50, всего редактировалось 1 раз.
Причина: test
Причина: test
Универсальная регрессионная модель
vasiatka писал(а):Source of the post
Ребяты я вам вот что скажу: НЕ НАДО ИСКАТЬ УНИВЕРСАЛЬНОЕ РЕШЕНИЕ - ЕГО НЕТ!
Есть, просто оно должно в себя включать полные данные о задаче - семейство функций для поиска (как например семейство линейных функций) и распределение шума (как например Гауссово).
Метод называется maximum-likelihood estimation.
МНК - это его частный случай для Гауссова распределения. А сам МНК применим для любых функций, а не только для линейных.
Последний раз редактировалось zykov 28 ноя 2019, 16:50, всего редактировалось 1 раз.
Причина: test
Причина: test
Универсальная регрессионная модель
zykov писал(а):Source of the post
Метод называется maximum-likelihood estimation.
МНК - это его частный случай для Гауссова распределения.
С чего это вдруг?
Последний раз редактировалось Таланов 28 ноя 2019, 16:50, всего редактировалось 1 раз.
Причина: test
Причина: test
Универсальная регрессионная модель
Таланов писал(а):Source of the postzykov писал(а):Source of the post
Метод называется maximum-likelihood estimation.
МНК - это его частный случай для Гауссова распределения.
С чего это вдруг?
Там по ссылке объясняется в разделе "Least squares as maximum likelihood estimator".
Последний раз редактировалось zykov 28 ноя 2019, 16:50, всего редактировалось 1 раз.
Причина: test
Причина: test
Универсальная регрессионная модель
zykov писал(а):Source of the post
Там по ссылке объясняется в разделе "Least squares as maximum likelihood estimator".
Я плохо понимаю английский, но метод максимального правдоподобия и метод наименьших квадратов это две большие разницы. Ссылки какие-нибудь есть на отечественных статистиков?
Метода максимального правдоподобия? Какая-то ерунда получается.
Последний раз редактировалось Таланов 28 ноя 2019, 16:50, всего редактировалось 1 раз.
Причина: test
Причина: test
Универсальная регрессионная модель
Таланов писал(а):Source of the post
Я плохо понимаю английский, но метод максимального правдоподобия и метод наименьших квадратов это две большие разницы. Ссылки какие-нибудь есть на отечественных статистиков?
Метода максимального правдоподобия? Какая-то ерунда получается.
Да, на русской вики-страничке там гораздо меньше. Есть там в литературе какая-то книга 2007 года. Возможно в ней что-то есть.
Суть метода в том, что оценка параметров статистической модели по выборке осуществляется так, что выбранный набор параметров дает наибольшую вероятность/плотность вероятности (правдоподобие) на данной выборке. Теоретически доказывается ряд полезных свойств для такой оценки (estimator). Метод работает для любых распределений. Например для распределения Гаусса и набора независимых точек в выборке плотность вероятности равна произведению плотностей по отдельным точкам. Экспоннеты в произведении можно объединить, тогда под одной экспонентой будет сумма квадратов, каждый деленный на квадрат сигмы. Максимизация плотности вероятности эквивалентна минимизации этой суммы. Если сигмы везде равны, то это просто сумма квадратов. Если сигмы разные, то это взвешенная сумма квадратов.
Таким образом метод максмального правдоподобия - довольно общий метод. МНК получается из него, как частный случай для Гауссова распределения.
Последний раз редактировалось zykov 28 ноя 2019, 16:50, всего редактировалось 1 раз.
Причина: test
Причина: test
Вернуться в «Альтернативная наука»
Кто сейчас на форуме
Количество пользователей, которые сейчас просматривают этот форум: нет зарегистрированных пользователей и 20 гостей