linear-regression

1热度

1回答

我想有四个预测我在哪里可以自由指定整体解释模型所有标准化回归系数的大小的变化来模拟数据进行多元线性回归的预测变量彼此相关的程度我到达了满足前两点的解决方案，但是基于所有ind自变量彼此无关（请参阅下面的代码）。为了得到标准化的回归系数，我从平均值= 0和方差= 1的总体变量中抽样。 # Specify population variance/covariance of four pre

0热度

1回答

R - 如何使用apply函数而不是迭代？

回归每个因变量（dep_var）对独立变量（ind_var）我试图对一个独立变量一次一个执行针对多个因变量线性回归。当存在缺失观察（NA），其全部行不用于该特定消退。我已经通过循环/遍历每个因变量列来完成它。 fit = list() for(i in 1 : 2) { fit[[i]] = lm(mydf$Ind_Var[ which(!is.na(mydf[ , (2+i)

2热度

1回答

为什么python中解决Xc = y的不同方法在不应该的时候给出不同的解决方案？

我试图解决方形的线性系统Xc=y。我知道解决这个的方法是：使用逆c=<X^-1,y> 用高斯消元法使用伪逆似乎只要我可以告诉大家，这些别不符合我认为的基本事实。首先通过拟合30次多项式到频率为5的余弦来生成真值参数。所以我有y_truth = X*c_truth。然后我检查，如果上述三种方法相匹配的真相我尝试过，但似乎该方法不匹配，我不明白为什么这应该是这样的。我公司生产的完全可运行

0热度

1回答

多元线性回归如何在本质上是线性的？

根据我有限的知识，线性函数只有两个变量来定义它，即x和y。然而，如每多元线性回归， h(x)=(theta transpose vector)*(x vector) where theta transpose vector = (n+1)x1 vector of parameters x vector = input variables x0, x1, x2 ....., xn

2热度

2回答

JavaScript中的简单线性回归预测算法

我想基于JavaScript中的过去利润来对未来的组织进行简单的利润预测。我的数据集的日期是x轴，利润是y轴。我是数据分析的新手，基本上我没有知识，我不确定哪种预测算法最适合。我做了一些研究here和here，发现我实际上可以使用线性回归预测算法。但是，从这些例子中，我只看到预测算法只是根据数据绘制一条直线来找出回归值，并且它根本没有预测任何未来值。我不知道上面提到的算法是否适用于我的情况？

0热度

1回答

PySpark中的ParamGridBuilder无法与LinearRegressionSGD配合使用

我试图弄清楚为什么LinearRegressionWithSGD不适用于Spark的ParamGridBuilder。从火花文档： lr = LinearRegression(maxIter=10) paramGrid = ParamGridBuilder()\ .addGrid(lr.regParam, [0.1, 0.01]) \ .addGrid(lr.fitIntercept, [F

2热度

1回答

如何在此图中绘制线性回归线？

enter image description here如何在此图中绘制线性回归线？这里是我的代码： import numpy as np import pandas_datareader.data as web import pandas as pd import datetime import matplotlib.pyplot as plt #get adjusted close

1热度

1回答

Statsmodels的格式数据线性回归

我想在Python中使用Statsmodels做一些多元线性回归，但是我一直在尝试组织我的数据时有一些心理障碍。所以默认波士顿数据集是这样的：而且线性回归模型的输出是这样的：我的原始数据是空间分隔像这样：而且我已经能够将其安排到阵列中的位置：有谁有更多的Python的经验知道我可以以类似的方式格式化我的数据在波士顿的数据集，使我可以轻松实现我的回归模型？例如，设置对应于我的数据索引的fe

0热度

1回答

Python statsmodel鲁棒线性回归（RLM）异常值选择

我正在分析一组数据，我需要找到它的回归。数据集中的数据点数量很少（〜15），因此我决定使用强大的线性回归作业。问题在于程序选择了一些看起来不具有影响力的异常点。这里是数据的散点图，其影响用作尺寸：点B和C（图中用红色圆圈表示）被选作异常值，而点A具有较高的影响力则不是。虽然A点并没有改变回归的总体趋势，但它基本上定义了斜率与X最高的点一样。而B点和C点只影响斜率的显着性。所以我的问题有两个部分：

1热度

1回答

Rolling Regression Data Frame滚动回归数据框

请注意，以前可能已经问过这个问题，但我还没有找到明确的解决方案来处理数据框。我想在5天的后面运行滚动线性回归。（小，所以可以在这里说明）到目前为止，我想： rollingbeta <- rollapply(df, width=5, FUN = function(Z) { t = lm(formula=y_