Задача - восстановление - регрессия
Cтраница 1
Задача восстановления регрессии считается более сложной. Она также сводится к минимизации функционала с неизвестной плотностью Р ( х, у) по выборке (7.2), но здесь значение у может быть любым числом, а класс F ( х а) принадлежит интегрируемым с квадратом функциям. [1]
Задача восстановления регрессии является одной из основных задач прикладной статистики. К ней приводится проблема интерпретации результатов прямых экспериментов. [2]
Решая задачи восстановления регрессии с различными формальными описаниями ( для одной и той же матрицы наблюдений), исследователь может попытаться получить ответы на следующие вопросы. [3]
Для задач восстановления регрессии предполагается, что все признаки заданы действительными числами. [4]
В задаче восстановления регрессии проблема состоит не в том, чтобы минимизировать функционал, а в том, чтобы найти функцию, близкую к регрессии. В этой задаче близость определяется с помощью метрики LP или метрики С в зависимости от того, как в дальнейшем предполагается использовать восстановленную функцию. Пусть, например, решается задача восстановления регрессии у - yix) в задаче интерпретации прямых экспериментов. [5]
 |
Таким образом, в задаче восстановления регрессии применяется тгонятие близости как в метрике Ьр, так и в метрике С. [6] |
В задаче восстановления регрессии ответ не столь определенный. Легко можно показать, что если близость функций понимать в смысле метрики LP, то из близости функционала к минимальному следует близость найденной функции к регрессии. [7]
В задаче восстановления регрессии функция потерь может принимать любые положительные значения, и поэтому исключение некоторых элементов х, у может существенно изменить как само решение, так и оценку качества полученного решения. [8]
В задаче восстановления регрессии ответ не столь определенный. Легко можно показать, что если близость функций понимать в смысле метрики Lp, то из близости функционала к минимальному следует близость найденной функции к регрессии. [9]
В задачах восстановления регрессии и интерпретации результатов косвенных экспериментов приняты два определения близости функций: близость в метрике Up и в метрике С. [10]
Итак, задача восстановления регрессии содержит проблему интерпретации результатов прямых экспериментов. [11]
Итак, задача восстановления регрессии также сводится к схеме минимизации среднего риска. [12]
Успешное решение задачи восстановления регрессии методом минимизации эмпирического оиска может быть гарантировано в случае равномерного ( или равномерного относительного) уклонения средних от их математических ожиданий. [13]
Каждое описание задачи восстановления регрессии определяет подматрицу Х3 матрицы наблюдений X. Матрица Х3 состоит из элементов, находящихся на пересечении тех столбцов и строк, которые соответствуют переменным и векторам, включенным в задачу. [14]
Для решения задачи восстановления регрессии необходимо подготовить следующие данные: 1) матрицу наблюдений X; 2) формальное описание задачи; 3) значения управляющих параметров программ. Вся эта информация подготавливается на перфокартах и затем вводится в ЭВМ. [15]
Страницы: 1 2 3 4