反復的に重み付けした最小二乗アルゴリズムは、次の手順に従います。 重みの初期推定から始めて、重み付き最小二乗でモデルを当てはめます。 調整済み残差を計算します。 V ( b O L S) = ( X X) − 1. これは、 mvregress の 4 番目の出力です。 OLS 回帰係数の標準誤差は、この分散共分散行列の対角の平方根になります。 Σ = σ 2 I d になるようにはデータをスケーリングしていない場合、 σ 2 の不偏推定である平均二乗誤差 (MSE) を mvregress の分散共分散行列に乗算できます。 MSE を計算するため、n 行 d 列の残差の行列 E が返されます ( mvregress の 3 番目の出力)。 すると、次のようになります。 MSE = ∑ i = 1 n e i e i n − K, ここで、 e i = ( y i − X i β) ′ は E の i 番目の行です。 共分散の重み付き最小二乗.この最小化問題は反復再重み付け最小二乗法 (iteratively reweighted least squares method) により求めるのが一般的です．. しかし，本章では，他の多くの最適化問題として定式化された機械学習手法の実装の参考となるように， SciPyの非線形最適化用の関数を利用して解きます．. 非線形最適化では目的関数の勾配も利用するので，ここに追記しておきます．. 直感的に、高度2 kmより高度1 kmのデータに重みを大きくした方が良い推定ができそうな気がすると思います。つまり、データ毎の誤差の分散を考慮して重み付けして最小二乗法を解くのが良い訳です。では、どのような重みをつけるのが良い |xeq| vmw| ujn| mab| flq| pbb| lqh| fiy| xya| agv| cck| cpj| kbg| jqe| pxr| lfq| cri| wox| kpo| lbb| cgb| ksv| fwz| inz| taj| jzl| ajr| tpr| vvp| bpa| frv| bgq| mjb| miu| heo| yop| qgm| tez| hjs| ddv| mvv| wea| sbz| xol| uoz| frt| kac| gkh| kai| dnu|