Установка данных и неопределенность.
Вес товара: ~0.7 кг. Указан усредненный вес, который может отличаться от фактического. Не включен в цену, оплачивается при получении.
Описание товара
Основная информация
Название: подгонка данных и неопределенная начальная школа и практическое руководство по продвижению по службе
Цена: 69 юаней.
Автор: Тило, Струц, Ван Дин, Тан Тао, Ву Чжидон и т. Д.
Пресса: Пресса национальной обороны
Дата публикации: 2017-06-01
ISBN: 9787118112115
Слова: 246000
Номер страницы: 214
Версия:
Переплет: мягкая обложка
Открыто: 16
Товарный вес:
Выбор редактора
Краткое содержание
Эта книга описывает на популярном языке, что есть"Подгонка данных"Проблема заключается в разнице и связи между сравнительным линейным подгонением и нелинейным подгонением, и, соответственно, иллюстрируют фактические источники двух типов задач.Во -вторых, введено подгонка данных в качестве фона приложения"Очень маленький"Основная идея проблемы объясняет метод универсального числа для решения проблемы"ловушка"вопрос.Позже цитируется практическое применение большого количества небольших методов умножения в большом количестве подгонки данных.
Оглавление
Часть Структура квадратичного метода Глава Введение в проблемы подбора данных 1.1 Что такое подбор данных?1.2 Объяснение символов 1.3 Линейные и нелинейные задачи 1.4 Примеры применения линейной аппроксимации данных 1.4.1 Оценка констант 1.4.2 Оценка параметров по прямой линии (линейная регрессия) 1.4.3 Полиномиальная функция 1.4.4 Множественная линейная регрессия 1.5 Некоторые нелинейные задачи аппроксимации данных 1.5.1 Экспоненциальная функция 1.5.2 Составная функция Гаусса Белла 1.5.3 Круговая функция 1.5.4 Нейронная сеть 1.6 Контрольные вопросы Глава 2 Использование метода квадратов для решения параметров модели 2.1 Что такое «квадрат» 2.2 Общий алгоритм решения задачи 2.3 Примечательные вопросы 2.4 Упрощение функции линейной модели 2.5 Аппроксимация кривой при условии неизвестной функции модели 2.5.1 Пример 1 2.5.2 Пример 2 2.5.3 Пример 3 2.6 Пример расчета 2.6.1 Аппроксимация постоянной 2.6.2 Аппроксимация прямой линией 2.6.3 Аппроксимация полиномиальной функцией 2.6.4 Аппроксимация плоскости 2.6.5 Линейное предсказание 2.6.6 Аппроксимация косинусной функции 2.6.7 Вращение и сдвиг координат 2.6.8 Аппроксимация экспоненциальной функцией 2.6.9 Аппроксимация составной гауссовской функции колокола 2.6.10 Аппроксимация круга 2.6.11 Нейронная сеть 2.7 Тестовые вопросы Глава 3 Веса и выбросы 3.1 Каковы преимущества взвешивания?3.2 Выбросы 3.3 Оценочные веса 3.3.1 Сегментированные расчетные веса 3.3.2 Оценочные веса на основе отклонения 3.4 Метод обнаружения выбросов 3.4.1 Стандартный метод невязок 3.4.2 Метод обнаружения кластеров 3.5 Примеры применения подбора взвешенных данных и обнаружения выбросов 3.5.1 Подбор констант 3.5.2 Подбор прямой линии 3.5.3 Подбор плоскости 3.5.4 Преобразование координат 3.5.5 Линейное предсказание 3.5.6 Подбор косинусной функции 3.5.7 Подбор экспоненциальной функции 3.5.8 Подбор составной функции Гауссова колокола 3.5.9 Подбор окружности 3.5.10 Сравнение кусочно оцененных весов и расчетных весов на основе смещения 3.6 Вывод 3.6.1 Взвешенная оценка 3.6.2 Сравнение методов обнаружения выбросов 3.6.3 Использование весов 3.7 Контрольные вопросы Глава 4 Неопределенность результатов аппроксимации 4.1 Степень, степень и точность аппроксимации 4.1.1 Согласованность между статистической моделью и данными 4.1.2 Дисперсия аппроксимации 4.2 Неопределенность оценок параметров 4.3 Неопределенность прогноза модели 4.4 Графический контроль 4.5 Пример расчета 4.5.1 Аппроксимация постоянной линией 4.5.2 Аппроксимация прямой линией 4.5.3 Подбор косинусной функции 4.5.4 Несоответствие модели 4.6 Контрольные вопросы Часть 2 Математика, методы оптимизации и дополнительное содержание Глава 5 Матричная алгебра 5.1 Базовые знания о матрицах 5.2 Определитель 5.3 Численное решение обращения матрицы 5.3.1 Метод сопряженной матрицы 5.3.2 Метод исключения Гаусса-Жордана 5.3.3 Метод LU-разложения 5.3.4 Метод разложения по сингулярным значениям (SVD) 5.4 Контрольные вопросы Глава 6 Идея квадратичного метода 6.1 Нормальное распределение 6.2 Принцип правдоподобия 6.3 Подбор функции линейной модели 6.3.1 Стандартный метод 6.3.2 Решение с использованием разложения по сингулярным значениям (SVD) 6.3.3 Условное масштабирование 6.4 Подбор нелинейной функции модели 6.4.1 Аппроксимация поверхности ошибок 6.4.2 Метод Гаусса-Ньютона 6.4.3 Метод градиентного спуска 6.4.4 Метод Левенберга-Марквардта 6.4.5 Примеры расчетов для поиска точек минимального значения 6.5 Контрольные вопросы Глава 7 Дополнительные инструменты и методы 7.1 Другие методы оценки параметров 7.1.1 Рекурсивный адаптивный метод оценки параметров 7.1.2 Метод итерационного градиентного спуска 7.1.3 Метод эволюции 7.2 Критерий Шовене для обнаружения выбросов 7.3 Принцип распространения ошибок 7.4 Ручной вывод задачи линейных квадратов 7.5 Совместная обработка различных функций модели 7.5.1 Пример 1: Преобразование координат 7.5.2 Пример 2: Круговое движение 7.6 Подбор полных квадратов (TLS) 7.6.1 Круговая ортогональная аппроксимация 7.6.2 Общий метод 7.7 Контрольные вопросы Приложение A Сравнение два метода обнаружения выбросов Приложение B Справочник по реализации программного обеспечения Указательная часть существительного Объяснение ответов на упражнения Символы
об авторе
Предисловие
