广义最小二乘法eviews操作步骤
最后我们来介绍一个在实际问题中间经常用到的一种方法，所谓的最小二乘法。什么是最小二乘法呢？ 我们在科学实验或者是社会调查中间呢，经常会获得大量的数据，如何来处理这些数据呢？那我们需要有相应的数学技术。 最小二乘法呢，就是提供了这样的一个处理数据的这样的一个技术。首先让我们来介绍两个数据处理中间经常用到的概念， 通过对实验数据进行分析，找出数据满足或者是近似满足的关系式，我们把这个过程称为 是数据离合，离合出来的关系式通常称为是经验公式。 好，下面我们来解释一下什么是数据离合，什么是经验公式。我们现在假设有一组实验数据， s， k， y， k k 等于零一，一直到 n， 现在我们要找出它们的近似函数关系， y 等于 fx。 那么什么是这组数据的近似函数关系呢？ 我们假设这一组数据在平面上表示的是这样的一些点，现在我们要找一个函数 y 等 f x， 使得函数所对应的图形和这些数据点 点尽量的接近。我们把这样的一个过程就称为是数据离合，而把 y 等于 f x 这个函数呢，称为是禁言公式。好，这里有两个问题。第一个问题， 如何来确定近似函数的类型，因为你寻找一个什么样的函数关系你事先得知道， 那么通常我们可以根据数据点的分布规律，这是一个信息。另外呢，根据问题的实际背景，你比如我知道这个问题他所对应的量是呈现一个什么样的变化规律，然后给出相应 的函数类型，这就是我们确定近似函数也就是经验公式的通常的方法。一个是根据数据点的分布规律，另外一个呢，是根据问题的实际背景，这是第一个问题。好，第二个问题就是确定近似函数的标准。 那么如何来选择近四函数，使得近四函数的图形尽量和这些数据点接近？ 这里首先请大家注意，因为实验数据啊，它是有误差的，所以通常我们不能够要求每一个数据点都在函数所对应的曲线上， 那么既然他不在函数的曲线上面，我们让他尽量洁净于 于这条曲线，那这个接近的标准怎么样来刻画呢？我们用 r i 来表示 y i 和 f x i 之间的偏差， 我们可以通过偏差的平方和的最小来确定函数 fx， 因为所对应的偏差他有正有负，所以通常我们不能够直接把所有的偏差相加来得到整个偏差控制的一个标准， 所以我们取它的偏差的平方和来确定函数 f x 的总偏差，那么当这个总偏差最小的时候，我们说这就是我们所确定的函数 f x。 那么这样我们就把问 问题转化为求这样的一个偏差的平方和最小的这样一个机制问题。好，我们把求解这个问题的方法就称为是最小二乘法啊。那么如何来选择近似函数的类型呢？ 如果相应的数据点是在一条直线的附近，那这时候我们可以选择依次函数 y 等于 a x 加 b 作为进四函数。 好，那这时候我们可以把问题转化为求 m a b 这样的一个机制问题，这里的 a 和 b 是待定的参数，那这不就是一个二元函数的机制问题吗？所以我们可以把它转 转化为求 m 所对应的注点，因为 m 关于 a 的偏脑数和关于 b 的偏脑数都可以计算出来， 所以从这里我们也可以看到为什么我们选择偏差的平方和，而不直接选择偏差取绝对值以后作和，因为选择平方和便于求偏，老数 好填，导数分别等于零，可以把 a、 b 解出来，那实际上这就是一个解线性方程组的问题啊。 所以我们可以得到关于 a 和 b 的这样两个线性方程，这两个线性方程构成的方程组好解这个线性方程组得到 a 和 b， 那 这样我们就把相应的近似函数 y 等于 a， x 加 b 给他确定下来了，我们把 y 等于 ax 加 b， 这条直线称为是回归直线 啊。那么相应的方法呢？我们也把它叫做线性回归，这是我们处理数据经常采用的一种方法， 也就是当所有的数据点是接近于某一条固定直线的时候，我们可以通过这样的一个方法来确定相应的近似函数。 好，这是所谓的线性回归的方法。那么如果所得到的数据点他不呈现于这样一个规律，也就是他不是在一条直线的附近，而是在某一条曲线的附近， 那这时候怎么办呢？这时候我们可以选择其他类型的函数作为近似函数。例，比如对于这样的一个数据点，我们可以选择相应的多项式作为它的近似函数。 和刚才的方法一样，我们可以把这个问题转化为求机制的问题， 因为可以把相应的偏差的平方和函数表示出来，然后对平方和函数求偏导数，宁偏导数等于零，可以得到这样的一个方针组， 这是以 a 零 a 一 an， 这 n 加一个变量为位置量的一个限行方程组。解出这 n 加一个位置量，就可以得到相应的多样式， 我们把这个多项式称为是最小二乘的 n 次离合多项式。好，下面我们来看一个具体的例子。假设有某种合金，它的含铅量的百分比为 p， 其溶解温度为 set。 由实验观测得到下面的数字， 当 p， 也就是含铅量的百分比为百分之三十六点九的时候，相应的溶解温度为一百八十一摄氏度。因此我们有这样的一些数字， 根据这个数字列表，我们来得到 p 和 set 之间的一个近视关系。好，那么选择什么样的函数作为近视函数呢？通， 通常啊，我们首先想到的方法就是线性回归的方法，也就是用线性函数来作为近似函数。那这里我们回归一下，用线性函数作为近似函数，相应的 a 和 b 是如何来计算的？ 我们可以通过这样的一个方程来计算 a 和 b。 当然是不是适合用线性回归的方法呢？这里我们可以把相应的数据点用图形把它表示出来。 从这些数据点的分布，我们可以看到他是在某一条直线的附近变化的，所以我们自然想到用线性回归的方法好，通过刚才的公式把相应的 数据带入，我们可以得到 a 和 b 所对应的方程组，由此可以把 a 和 b 解出来，最后得到 p 和 say 的这样的一个禁言公式。 好，这就是通常的用线性函数来作为近似函数的一个方法，也就是所谓的线性回归的方法。 好，最后我们来介绍一下如何用数据点来确定经验公式的类型。这里我们有下面一些方法好，我们假设观测数据为 x i y i i 等于零一等等等 a， 我们用 dart x i 来表示 x i 加一减 x i dart y i 呢来表示， y i 加一减去 y 就是相邻数据点的差。好，我们可以根据 dart s i 和 dat y 它的变化趋势 乃确定相应的经验公式类型。你比如，如果 darty 比上 dartsi 是近似等于某一个定值的话，那这时候我们选择 y 等于 ax 加 b 作为经验公式。 好，这是一种方法。第二种方法是把每一个数据点的 x i 和 y i 啊分别取对数，得到一组新的数据点，然后我们考虑这组新的数据点相邻的两个点之间的差，我们得到 德尔塔诺恩 y i 和德尔塔诺恩 x i。 如果这两个差值的比是近似等于某一个定值的话，那这时候我们通常用 y 等于 a 乘以 x b 和密这样的一个密函数作为经验公式。 这是一种情形，实际上它可以转化为线性回归的情形。因为把公式两边取对数，那么得到 nony 关于 nonx 的一个线性函数，所以实际上还是线性回归的方法。 第三个，如果是 dart known y i 比上 dart x i， 它是近似等于某一个定值的话，那么我们可以用 y 等于 a 乘以 e 的 b x 蜜作为相应的经验公式。这是一个指出函数，所以通过数字点的变化，我们可以确定经验公式是取线性函数还是取蜜函数还是取所谓的指数函数。 第三种情形呢，也可以转化为一个线性的情形，因为这时候的罗文 y， 他关于 x 是一个线性函数， 所以根据数据点它的分布规律，我们可以来确定是选择线性函数 还是密函数还是指数函数作为相应的经验公式。实际上，密函数和指数函数作为经验公式，它实质 上都可以转化为线性回归的情形。好在这每一个禁言公式中间都有两个参数， a 和 b 需要确定，那我们可以用刚才介绍的最小二乘法来确定相应的 a 和 b。 好，最后我们来看一个实际例子， 就是用蜜函数来离合二十世纪全世界人口数量的变化，那么根据全世界人口的统计数据，我们可以得到相应的经验公式。 好，那么关于多元函数微分学理论呢，我们就学习到这里，从下一节课开始，我们学习多元函数积分。学好，今天的课就到这里，我们下节课再见。
粉丝57获赞816
相关视频
04:26查看AI文稿AI文稿多元回归下的一方叉处理方法，一，加全最小二乘法。第一步，多元回归第二步，进行一方叉检验。 这里特别提示，如果之前没有进行自相关检验和处理，那么一方差检验结果请以二次检验为主。 没有进行序列相关处理时， white 和二次检验结果可能不一致。 二尺检验结果 p 等于零点九，大于零点一说明不存在一方差。 用 white 检验后发现 p 等于零， 零点零三小于零点一，说明存在一方差，本力没有进行自相关处理，结果应该以二去检验为主。 为了举例如何处理多元回归的一方叉，假设外的检验后结果显示存在一方叉。 第三步，在零点一显著水平下设置权重。先看 obsr 对应的 p 值小于零点一， 再看下方的举例模型的 pro 有没有小于零点一， 找到批值小于零点一对应的变量是什么？这个 个对应的变量就是之后设置的权重。 本例中 xt 和 t 二的 p 值小于零点一，因此选择他们为群众参考。 第四步，设置权重，输入 january w 一等于一 t r x t 得到了权重 w 一序列。第五步，加全最小二乘法输入 ls w 等于 w， eycxt w 等于 w 一是必须输入的，如果省略，则回归结果是没有进行加权的结果。 这种方法不需要我们去自己思考用什么模型形式回归结果，自动选择了加权形式， 比如这样形式已经自动生成了。再进行一次 wet 检验， 此时批值等于零点三，大于零点一说明不存在一方差。 接下来介绍在零点零五显著性水平下的家全最小二乘法 只需要看 p 值小于零点零五所对应的变量。 t 二设置新的权重， gnrw 二等于一 t 二 输入加权模型， lsw 等于 wrycxt 模型。方式已经自动选好，再进行一次 yit 检验，判断一方差。 在零点零五显著水平下，一方差已经消除。方法一，对数模型第一步，对自变量因变量进行对数转换。 第二步，双倍数模型多元回归输入 alex li clnxlnt 第三步，进行一方叉检验，二，去检验和外的 检验都做一遍。 在进行对数处理后， obsr 对应的 p 值大于零点零五，说明在零点零五显著水平下不存在一方差。
415热爱散步的蟹鲸
28:34
13:31查看AI文稿AI文稿大家好，我是弹幕自检的，那晶晶今天给大家分享的内容是校准曲线的建立，主要是讲一下最小二乘法和相对侠因子法这两个最常用的方法， 我主要从以下三个部分给大家介绍。首先第一部分是简单讲一下教程曲线他的概念，第二部分我们讲一下教程曲线的建立过程，第三部分讲一下建立教程曲线的注意点。 首先我们简单介绍一下校准曲线啊，那我们做分析测试的老师对这个校准曲线应该是非常熟悉的，他是我们做尽量测试的第一步。 那我们在做教程曲线的时候，会配置一系列已知浓度点由低到高不同浓度点的校准系列，通过仪器测定以后，每个浓度点他会有 一定的响应值，不同的响应值我们通过啊响应值和浓度点之间的关系进行数学处理，就得到一个 曲线方程，这种数学关系通过图形来表示呢，这就是一个校准曲线，我们建立校准曲线的目的就是可以通过这个校准曲线查出我们被测物质的含量，非常的方便快捷。 在我们分析测试中，我们用到的最常见的一个叫准方法就是我们的最小二乘法，这个用的是最多的。其次呢，我们也会看到可以使用那个相对响因子法来建立校准曲线，下面我们介绍一下这两种方式建立校准曲线的一个过程。 首先我们通过这个标准来看一下方法中对于校准曲线的一个要求。首先我们介绍这个 h 勾五八七杠二零一零，他是一个水 中阿特拉金的测定用的是高效业项色谱吧，这里面对于教程曲线，他的要求是以色谱响应值为重坐标，以阿特拉金的浓度为横坐标建立教程曲线，这就是一个追求二乘法的曲线的建立方法， 检查这个叫准曲线是否合格呢？他是通过这个相关系数要大于等于零点九九九这个要求 来检查这个教程曲线是否合适。嗯，下面我们再看一下这个 h 勾七五九杠二零一五这个方法，这个方法做的是环境空气中的会发现有机物，他是要求计算目标物的相对强因子，这个二二 f 通过目标物的全部的标准浓度减，再计算出一个平均相对强因子，这个就是我们典型的 相对强因子法，建立在较准曲线前面。这两个方法呢就是分别他是由指定的是特定的方法来做较准曲线，那我们这个 h 购六零五杠二零一一，他是既可以要求你使用平均相对强因子法绘制较准曲线，也可以要求使用最小二乘法绘制较准曲线， 那我们这个方法是优先选用的是让你使用平均相对强硬字法，那在在什么情况下他也是可以使用最小二乘法的呢？这里有个说明，若校准系列中某个目标物 相对响因子，他的相对标准偏差如果大于了百分之二十，那么这个目标物就是可以用最小二乘法来绘制校准曲线。 可以从我们前面三个啊标准我们可以看出，最小二乘法和相对小硬字法，他可能会在 不同的标准里都会有明确的要求，他们在什么情况下使用呢？我们就是有什么优缺点，那我们下面再往下介绍， 我们先先看一下这个最小二乘法，他的一个曲线建立过程，我们以内标法来举例进行说明，这个举例的过，这个例子呢，举的是我们， 嗯，使用 voc 就是参考了个 voc 的方法。用内标法我们配置了浓度点，从十个微克深到一百微克深的这个浓度系列，内标物的加入量是五十个微克深啊。通过气象色谱制服，我们做出他们内标物的响应指示， 立标物的响应和我们目标物的响应。我们的横坐标呢，它是以浓度笔来进行表示的啊，我们的横坐标，嗯，浓度笔 就是我们目标的浓度比上我们内边的浓度重坐标就是以响应笔来进行表示，响应比就是我们目标物的响应比上内标物的响应。这个比例通过 啊很重坐标建立一个叫准曲线，这个就是我们的曲线，得到一个叫准方程 y 等于一点零四三八， x 减去零点零幺九九，这是我们的得到的叫准方程 啊。检查我们这个方程是否符合标准要求，就要看我们的相关系数，我们这个曲线的相关系数是二等于零点九九九，三个九是大于零点九九的要求的，说明我们这个方程是合格的。 这个得到方程以后，我们会看到我们代测浓度的，代测物的响应笔是已知的，通过代测物的七百三十二的响应值比上 内标物的响应值五百一十六，得到这个响应比是一点四幺八六，这一点四幺八六带入到我们的曲线方程里面，会得到我们的浓度笔是一点三七八，那我们浓度笔以内标浓度是已知的，是五十，通过一点三七八乘以五十以后，得到我们的目标物的含量是六十八点九个微克深， 这个就是我们通过建立最小二乘法的教程曲线等到我们目标物含量的一个过程。下面我们以同样的例子，同样列表法做的这个数据的例子来举例说明我们相对想应此法的一个曲线建立的过程。 相对响应指法呢，是通过这个 rf 的这个公式，用目标物的响应值比上我们内标物的响应值，乘以我们内标物的含量，比上目标物的含量，计算出我们每一个点的相对响应因子零点九八，零点九六， 最后算出我们所有点的一个平均相对下因子是一点零零，这个只是一点零零。 怎么检查我们这个相对侠因子法，他的曲线是合格的呢？就要通过我们相对标准偏差这个 isd 计算 isd 他是否小于等于百分之二十，来判定我们的曲线是否合格。 rsd 的这个计算公式是下面这两个计算公式，我们的经历的这个方程呢，通过计算我们的 rsd 是四点一，是小于等于百分之二十的，所以我们的曲线是合格的。得到这个平均相对传因子以后呢，我们再通过公式计算得到我们的目标物的代测物的含量浓 度六 x 是七十点九个微克深，那我们会发现用最小二乘法和三最小因子法鉴定的曲线不同，那我们得到的被错误，同样 的响应，值得到的同样的数据位置的交通，曲线不同以后我们得到浓度会是有差别的，但是这个差别应该是我们是可以接受的，因为不同的曲线就会得到不一样的浓度，但是这个浓度差别不大，因为我们用 最小二层发射出来的浓度是六十八点九啊，我们的相对响应是发射出来的是是七十点九，这两个都是合理的，没有对错，都是合理的， 那我们看就是这两个方法都可以做曲线，那他们之间究竟最大的区别是什么呢？啊？我这里总结的是他们最大的区别就是我们低能度点的一个准确性 啊。对于我们低能度点，那我们一定要关注的就是我们远点，对吧？低能度点会受远点矫正曲线里面远点的影响会很大，那我们再用最小二乘法以后，我们这个远点的处理方式有两两种，一种是曲线不强 强制过远点，另一种处理方式是曲线强制过远点。那我们在曲线不强制过远点的情况下，会有一个什么问题发生？假设在我们的最高点，最高点浓度和最低点浓度的偏差幅度很大的时候，比如说这个最低点是一最高点，我们配到了一百， 这个大范围的较准浓度下呢？会出现一个什么情况？就会发现有的时候我们丁龙都点的响应纸带进去以后，出现了一个副纸， 对吧？或者是我们在以我们的零响应值，居然还是零响应，还是有值这种情况，这种情况呢，主要就是我们 跨度高，浓度点跨度大了以后，他的权重偏向于高了，偏高了就会往往高了偏，往高了偏以后，我们定浓度点，他的这个准确性就没法保证。如如何避免在这种最小二层法 不过不强制过远点的情况下，又能保证我们低浓度点的样子的准确性呢？一个比较简单的方法就是把我们的高浓度点的浓度降低，比如说把把我们的高低浓度点的跨度控制在十倍以内， 最低点是一，最高点是十，这种情况下就是可以兼顾到我们低浓度点的准确性啊。但是这又出现了一个问题，因为我们的样品呢，它的含量高高低低， 对吧？高高低低，很多时候你不知道他会落在哪个浓度范围，如果我们的高点和低点只差了十倍以后，我们很多样品可能就面临的要稀释，这个工作量就特别大，这种就是曲线呃，适用性就会降低， 对吧？那我们这个保证定龙顶准确性。还有一个方式就是我们的原点可强，强制过原点强制 有点难呢，他又会出现一个什么情况？比如说我们来空白，有的时候他并不是响应是零，有的时候他空白里也有直，或者呢会发现我们的仪器的响应的问题，仪器的性能问题会导致出现我们 曲线出现结局或正或负，这个时候你在强制过原点以后，让我们的心情会非常差，心情会比较差，有的时候都达不到两个九， 所以这个是啊，最小二层把测低浓度点的一个弊端存在一个问题，当你的条件非常好了以后，非常完美了以后，那这个问题也不一定会出现，但是会会发生这种概率， 会发生一定的概率，那我这个时候我们会想到可以使用平均相对响应此法。平均相对响应此法呢，它是相当于每一个校诊点，它是都 强制过了原点，他的高中低浓度点的权重是相同的。一个简单的例子啊，就是比如说我们刚刚说的 h 勾七五九杠二零一五这个方法，这个方法里面明确要用平均相对强的硬子法来做曲线，为什么？因为他这个方法呢测的是环境空气中的挥发性的有机物， 那我们都知道环境空气中他的会发现有机物的成分普遍大部分都是偏低的，对吧？他的浓度都是落在这个低浓度端，所以呢，我们更关注低浓度端这个样品的含量，这个时候用平均相对强因子法，这个值是低浓度端的，这个值 是转接性更高一点的。那我们如果特大偶尔高度这种情况，可以把样品进行稀释，这个工作量又不大，因为我们大部分的纸都是落在低浓度端的，所以呢， 这个是平均相对强因子吧，和最小二乘法在应用上的一点小小的区别，主要是关注这个低浓度点的一个准确性。其实我们最小二乘法在我们分析测试中用的是最多的， 因为他的试用范围比较广，而且他除了一个啊相关系数来判定这个最小二乘法曲线是否合格以外，他还可以通过洁具和斜律的一个变化来检查我们曲线建立的是否合格，或者是我们整个体系中有没有污染啊，或者我们四季是否用的合适啊， 都是可以判定的。他呢？嗯，就是用的是最小二三码，用的是最多的，也是最广的。其实这两个方法没有本质上没有什么区别， 下面我们介绍一下我们教程曲线建立的时候需要注意的哪些点啊。我这里总结了，主要有六个点，第一个就是 要使用确切浓度的标准物质或者标准品，那简单最简单的方法就是我们去购买有证标准物质，对吧？现成的标准物质，我们这个弹幕的标准物质都是啊，通过幺七零三四体系运作， so 九零零幺的体系保证的都是可以素颜的。 然后第二个点就是要注意的是要配置所用到的工具都要经过校正，比如说我们的一叶管容量平啊，取样针或者是一叶枪都是要经过计量和校准的，保证他的准确性。 第三点就是要防止污染，这个污染呢，包括我们的实验前处理用到的瓶子啊啊，工具啊，容量容器啊，以及我们的检测仪器的， 要防止污染。第四点是要配置好以后的这个校准系列，要及时的上机测定，因为我们很多物质啊，他可能不是很稳定，比如说会发现有机物，他在环境条件下他很容易挥发，呃，或者是有一些物质对我们的环境 比较敏感，他会降解或者是分解这种情况，所以要求我们再配好以后要及时的上机测定，帮助他里面的值发生变化。第五点就是要选择一个合适的校准方程，你是选择最小二乘法呢？还是选择？嗯，相对强因子法首先要进行选择， 第六点就是要检查调整曲线，做完以后要检查他是否合适，比如说检查他的相关系数是否是符合标准要求的两个九或者三个九，或者是检查那个相对 感应执法建立的校准方程，他的相对标准偏差是否那小于等于百分之二十。好，今天就讲到这里，谢谢大家。
234坛墨质检标准物质中心
03:33查看AI文稿AI文稿数据啊，然后这呢有工资和受教育年限，那我们就想了，呃，当然这个可以做很多不同的尝试，我们现在就讲一个初步的，第一个就是我们想工资和受教育的年限会不会有这个相关性呢？会不会说你的这个受教育的年限越长，你的工资就越高呢？ 那我们一般呢，我们先画一个图，那么我们画 blood， 他就告诉我们，提示我们把 x 和 y 放进来，我们让这个 cps 一九八五的这个用美元符号 教育年限做 x， 然后这个工资呢？做歪。我们画一个图，让我们发现呢，其实这个三点图呢，这么看都看不出来，让我们把它放大一些 啊，他帮我们画成了这个效果，我们发现呢，确实是啊，整体的啊，随着受教育年限的提高呢，他的这个工 上线其实整体是提高的，但下线呢，好像几乎也是变化不大。那我们现在呢，来做一个相关的回归，好看下效果。 那我们现在做一个回归，回归的话呢，就是怎么做呢？ l m 这个函数，它是最小二乘八的一个回归，那我们可以看见，然后后面有很多参数，那么最重要的其实是第一个 formula 和第二个这个 data， 那 formula 的话呢，其实很简单，就是你要把这个背景是变量放前边， 公司放前边，然后用一个波浪线把解释变量放后边，如果你有多个解释变量的话，比如说你既要用教育说解释变量，又要用另外一个人用加号，这里先仅仅用教育，我们看一下，这是他的一个回归结果，但是如果我们还还想再加一个，加一个这个，呃， 艳，哼，那么这就是一个模型，我把这个模型复制啊，给这个魔斗啊，这个 lm 这个结果复制给一个魔斗。 我们可以看一下这个 model 的情况，大概就是长这个样子，可以看见是长这个样子，然后我们可以用 summer 这个函数去因为这个这个回回归的结果，我们返回的这个 model 太简陋了，他只告诉了我们他的系数和结局， 现在看一下他的一个啊汇总的情况，你可以发现所有的这个变量都非常的显著，对不对啊？这个地方呢，是我们的一个回归的一个 follow 的公式， 然后呢，所有的变量都很显著啊，洁具呢是负的，然后是啊非常显著的，然后受教育年限和工作经验都非常的显著，对吧？那么而且的显著的正相关，说明你的受教育年限越长，你的工作经 面越高啊，越多，你的这个员工就会越高，那么他们前身系数就表示你的受教育的年限每增加一年，你的工资呢，可能年薪就会增加零点九二万美元。那么你的这个受工作经验每增加一年，你的年薪会增加零点一万或者月薪， 看具体他是什么数据。那么结尾的话呢，这里有一个 fm， 就是对整个方程的联合性检验，就是看你这个 model 你觉得好不好，那么一个是 f， 一个是这个 rrsgr 呢，是看你整个方程的这个 啊变，就是你的方程能 variation 的一个解释性，然后这个 f 呢，就是看我们整体这个方程呢，看到你 o 不 ok， 你觉得 o 不 ok， 那么这个呢， p 值呢？等于零，是非常 ok 的，这个 r 方呢，大家也不要总想着说我随便回归他都会 零点九，零点八，其实这个零点二，我觉得零点一以上都算是比较好的啊，都算是可以解释有有有，很好的，有一定的解释性。好的，那我们今天就到这。
44港岛巴韭特
01:45
09:58查看AI文稿AI文稿大家好，我是小黑黑，今天我们要讨论的主题是最小二乘法的使用和推导。 最小二乘法的公式 c 踏等于 x 转至乘 x， 它的逆矩阵再乘以 x 的转至乘 y。 相信这个公式大家一定不陌生，但是他怎么用，又是如何推导出来的？这就是我们今天要讲的内容。 最小二乘法是解决线性回归问题的常用方法。线性回归用于研究自变量 x 与音变量 y 之间的关系。 例如，设自变量 x 对应房子面积， y 是房子价格，我们希望研究面积与价格之间的关系，就可以基于最小二乘法构建出线性回归模型。 为了弄清楚最小二乘法算法，我们需要先了解线性回归包括线性回归模型的定义和模型的代价函数两个内容。 射线性回归模型为 h c 踏 x， 在该模型中， c 踏是模型的参数 x， 输入的自变量 n 是 x 的维度模型根据输入的 x 给出预测值 h c 它 x 在面积 x 与价格 y 这一问题中。 另， h c 踏 x 等于 c 踏一， x 加 c 踏零，它代表了价格的预测值。 最初参数 set 一和 set 零是未知的，我们希望通过算法计算出一组 set 一和 set 零，使得模型 h set x 能尽量的准确预测价格 y。 例如，将已知的八个样本数据画在坐标系中，接着画出三条直线，每条直线对应一组 cta 零和 cta 一， 这时可以观察到直线三是最好的你和这些样子的直线，其次是直线二，最后是直线一。那么如何求出那个最好的直线的参数 cta 呢？ 答案就是最小二乘法。在这个公式中， x 和 y 就是已知样本的面积和价格对应的矩阵。将这些数据放到公式中进行计算，就得到了结果 c 塔。 为了引出这个公式，我们需要了解模型的代价函数。实际上，我们的目的是求现象回归模型 hctr x 中理想的参数 ctr， 到底哪组参数 cta 更好，需要定一个算式去衡量，而这个衡量 cat 好坏的式子就被称为代价函数 线性回归了。代价函数是基于军方 误差定义的，在公式中， m 是数据个数，第挨个数据的特征为 xi， 真实值是 yi， 预测值是 hctaxi。 由于每个样本的横坐标 x 和纵坐标 y 都是已知的，所以在代价函数 j cta 中，未知数是直线方程的参数。结具 cta 零与斜率 cta 一。 下面我们以一元线性回归来说明这个公式。例如，表格中有三个样本，其中 set 零加 set 一乘五十这一列是预测值， 二百八是这一列是真实纸。带入到 j c 塔中，并将 j c 塔展开， 会得到一个关于 sita 零和 sita 一的二元函数。这个函数的值越大，说明 sita 零和 sita 一就越不合适。因此，我们要求出使得代价函数 j sita 取得最小值时，参数 sita 零和 sita 一的取值。 有许多方法可以求出参数 cta， 我们可以使用基于迭代的梯度下降算法，也可以使用基于求导的数学方法。 最小二乘法就是基于矩阵微分推导出来的 cta 的求解公式。下面我们就来看这个公式的推导过程。 在推导最小二乘法的公式时，需要将 x、 x， y 和 c 塔都看作是一个整体，进行矩阵的加、减、乘和求导运算。在计算过程中，矩阵 c 塔是未知数，矩阵 x 和 y 是已知的。 为了求出 set， 需要求大家函数 j set 关于矩阵 set 的偏导数，然后令该偏导数等于零，进而求出矩阵 set 的值。 为了对该矩阵方程求解，需要对矩阵的运算进行化减，然后对矩阵求导。首先根据矩阵转制的公式，将转制运算化减到括号内，得到外转制减， set 转制， x 转制，然后再乘以 y 减 x 乘 set。 将这个算式展开，会得到一个关于 set 矩阵的多项式，一共有四项，我们可以对这四项分别求关于 set 矩阵的偏导数。 关于矩阵的求导需要依赖下面这三个公式。在公式中，矩阵 x 是位置量矩阵， a 是长数矩阵， 也就是要求关于 x 的偏导数。在使用公式时，我们将代求导的算式与公式中的每一项进行对应。这里要注意，使用公式时需要 严格的一项一项的对应使用，并且要避免对应的错误。例如，在带球导的算式中， y 的转制成 x， x 转制成 y， x 转制成 x， 这三个矩阵的计算结果对应公式中的长数 a， 而 cta 矩阵对应公式中的未知量 x。 关于矩阵的求导，矩阵微分，我们不必深究这些矩阵求导的公式是如何推导出来的，只需要知道如何使用他们就可以了。 根据这三个公式，对 jcta 偏导数中的四项分别进行 求导和化解。第一项是对常数矩阵求导，结果直接是零，而第二、三、四项需要将位置量矩阵 c 踏看作是公式中的矩阵 x， 已知的矩阵看作是公式中的 a。 具体来说，化简。第二项需要根据公式一，其中 y 的转制成 x 看作是矩阵 a cta。 矩阵看作是公式中的 x， 得到的结果是 a 的转制，也就是矩阵 x 的转制成 y 化减。第三项根据公式二，将 x 的转制成 y 看作是 a， 结果是 x 的转制成 y 化减。第四项根据公式三，将 x 的转制成 x 看作是 a， 结果是二倍的 x 转制乘 x， 再乘以未知矩阵 cta。 因此经过矩阵求导后，这四项结果相加的和是零。整理后得到方程负二倍的 x 转制成 y， 加二倍的 x 转制成 x， 再乘矩阵 ct 解。这个关于 cta 的方程需要移向和化解，这里要注意，在化解时，方程的两边需要同时乘以 x 转制成 x 的逆矩阵，进而解除未知矩阵 cta。 因此我们就通过解矩阵 方程的方法求出在代价函数 j c 踏取得最小值时，参数矩阵 c 踏的值。它是一个关于特征向量矩阵 x 和标签矩阵 y 的算式，这个结果可以直接使用，非常的方便。 另外要说明的是， x 的转制成 x 需要是一个满制矩阵，其行列式的值 e t x 转制成 x 不等于零，这样才会有逆矩阵。 那么到这里，最小二乘法的使用和推导就讲完了，感谢大家的观看，我们下节课再会！
189小黑黑讲AI
02:05
02:48查看AI文稿AI文稿测量平差是用最小二乘法原理处理各种观测结果的理论和计算方法。测量平差的任务一、对一系列带有偶然误差的观测值，采用合理的方法来消除他们之间的不符值，求出未知量的最可靠值。二、运用合理的方法来评定观测值，即形成成果的精度。 在我们的实际测量中，往往由于以下几个方面，测量误差总是不可避免的。一、仪器条件在我们使用仪器，在加工和装配等工艺过程中，我们不能保证仪器的结构能满足各种几何关系，因此 这样的仪器必然会给测量带来误差。二、外界条件这里主要指观测环境中气温、气压、空气湿度和清晰度、风力以及大气折光等因素的不断变化。对于这些不可控的因素，很可能会导致测量结果中带有误差。三、 方法理论公式的近似限制或测量方法的不完善。四、观测者的自身条件由于观测者感官鉴别能力所限以及技术熟练程度不同， 也会在仪器队中整平和瞄准等方面产生误差。那么，面对这些不可避免会出现的误差，我们要通过什么样的方法 来解决这些测量中存在的误差问题呢？这时我们就要采用多余观测多于观测，观测值个数远远多于确定未知量所必须观测的个数。有了多于观测， 在观测结果之间就会产生矛盾，而消除这些矛盾而求得观测量的最可靠结果，并评定测量成果的精度，就是测量平差的目的。测量平差采用的原理就是最小二乘法几种数学优化技术，他通过最小化误差的平方和寻找数据的最佳函数匹配。利用最小二乘法 可以简便的求得未知的数据，并使得这些求得的数据与实际数据之间误差的平方和为最小。最小二乘法还可用于曲线礼盒。其他一些优化问题也可通过最小化能量或最大化商用最小二乘法来表达。测量平差的步骤，一、 观测数据减核，即使数据正确性的处理。二、列出误差方程式或条件方程式，按最小二乘法原理进行评差。三、评差结果的质量评定按观测量相互间的关系 分为相关的或不相关的平差。平差的方法有直接平差、间接平差、条件平差、富有条件的间接平差和富有未知数的条件平差等。水平测量平差怎么计算？首先求得高差，闭合差 f h h 作为点高成首点高成高差容许闭合差 f h 容等于正负二十根 距离总长 fhfh 容符合精度要求，可进行调整。再计算高差改正数。高差改正数等于 fh 距离总长两个水准点之间的距离，注意距离都是 km。 最后就是根据高差改正数求改正后的高差，然后求得各点高成。
