Cтраница 2
Более тонкими являются задачи восстановления регрессии. Всякое огрубление решения здесь приводит к сглаживанию тех или штых деталей восстанавливаемой зависимости. [16]
В свою очередь задача восстановления регрессии сводится к задаче восстановления зависимостей. [17]
Существуют два пути решения задачи восстановления регрессии: оценивание параметров регрессии и приближение функции регрессии. [18]
Таким образом, в задаче восстановления регрессии используется понятие близость как в метрике Lp, так и в метрике С. [19]
Пусть, например, решается задача восстановления регрессии у у ( х) в схеме интерпретации прямых экспериментов. [20]
Оценивание параметров является традиционным методом решения задачи восстановления регрессии. [21]
Кроме матрицы наблюдений X, для решения задачи восстановления регрессии необходимо подготовить значения управляющих параметров программ и формальное описание задачи. [22]
В добавлении описаны алгоритмы построения гребневых оценок для задачи восстановления регрессии и задачи восстановления дискриминантной функции. [23]
В отличие от задачи распознавания образов, в задаче восстановления регрессии или интерпретации результатов косвенных экспериментов существование абсолютной оценки величины потерь факт далеко не тривиальный. Чаще оказывается, что абсолютной оценки не существует. Такая ситуация возникает уже при восстановлении линейной регрессии. [24]
В отличие от задачи распознавания образов, в задачах восстановления регрессии или интерпретации результатов косвенных экспериментов существование абсолютной оценки величины потерь - факт далеко не тривиальный. Чаще оказывается, что абсолютной оценки не существует. Такая ситуация возникает уже при восстановлении линейной регрессии. [25]
Алгоритм ЛИР ( линейная регрессия) предназначен для решения задачи восстановления регрессии в классе линейных функций в том случае, когда есть основания априори фиксировать порядок добавления переменных в выражение для многомерной линейной регрессии, но неизвестно, сколько переменных достаточно включить в выражение. [26]
Алгоритм ПОР ( пошаговая регрессия) предназначен для решения задач восстановления регрессии в классе линейных функций в тех случаях, когда нет оснований априори фиксировать порядок добавления переменных в выражение для оценки регрессии. Алгоритм ПОР-3 ( значения пошаговой регрессии) предназначен для решения задачи восстановления значений регрессии в этой же ситуации. [27]
Алгоритм КРЕГ ( кусочно-линейная регрессия) предназначен для решения задач восстановления регрессии в классе кусочно-линейных функций. Этот алгоритм применяется тогда, когда есть основания предполагать, что выборка (10.1) получена из двух или нескольких генеральных совокупностей с разными статистическими характеристиками. Алгоритм КРЕГ позволяет разбить векторы xt выборки (10.1) на оптимальное число групп и построить для каждой группы линейную оценку регрессии, получив таким образом по всей выборке кусочно-линейную функцию. [28]
Поэтому практическое применение теорем 3.3 и 3.4 возможно лишь для задач восстановления регрессии. [29]
Все эти методы перенесены на две другие задачи восстановления: задачу восстановления регрессии и задачу интерпретации результатов косвенных экспериментов. [30]