%load_ext autoreload%autoreload 2%matplotlib inline%config InlineBackend.figure_format='retina'import pandas as pdimport numpy as
原创
2022-01-11 15:47:56
4204阅读
目录01 线性回归的假设是什么？02 什么是残差，它如何用于评估回归模型？03 如何区分线性回归模型和非线性回归模型？04 什么是多重共线性，它如何影响模型性能？05 异常值如何影响线性回归模型的性能？06 什么是 MSE 和 MAE 有什么区别？07 L1和L2正则化是什么，应该何时使用？08 异方差是什么意思？09 方差膨胀因子的作用是什么10 逐步回归如何工作?11 除了MSE和MAE，回
转载
2023-11-23 19:31:14
14阅读
模型介绍ARIMA，差分自回归滑动平均模型，又称求自回归滑动平均模型，是时间序列预测分析方法之一。ARIMA(p,d,q)中，AR是“自回归”，p为自回归项数；MA是“滑动平均”，q为滑动平均项数；d是使之成为平稳序列所做的差分次数（阶数）。1. ARIMA的优缺点优点： 模型十分简单，只需要内生变量而不需要借助其他外生变量。缺点：1.要求时序数据是稳定的（stationary），或者是通过差分化
转载
2023-10-21 23:57:46
57阅读
# 教你实现ARIMA模型拟合残差的Python代码
在时间序列分析中，ARIMA（自回归积分滑动平均）模型是一种流行的统计模型；它能够对时间序列数据进行建模并预测未来的值。在进行ARIMA模型拟合后，通常会分析模型的残差，以确保模型的有效性。本文将指导你如何使用Python实现ARIMA模型拟合残差的代码。
## 步骤流程
我们可以将整个流程分解为几个步骤，具体如下：
| 步骤 | 描述
目录1 概述2 截尾与拖尾3 Auto regressive (AR) process4 Moving average(MA) Process5 总结 1 概述ACF 是一个完整的自相关函数，可为我们提供具有滞后值的任何序列的自相关值。简单来说，它描述了该序列的当前值与其过去的值之间的相关程度。时间序列可以包含趋势，季节性，周期性和残差等成分。ACF在寻找相关性时会考虑所有这些成分。直观上来说，
转载
2023-07-04 14:54:08
202阅读
1. 线性回归 利用数理统计学中的回归分析来确定两种或两种以上变量间相互依赖的定量关系的一种统计方法。 表达形式： y = ax + b + e ( e 为误差服从均值为0的正态分布，不是一个定值，也称为残差)，当 e 的平方和最小时，可以称之为最佳回归线性方程。2. 拟合 把平面上一系列的点用一条光滑的曲线连接起
转载
2024-02-26 21:25:51
26阅读
课本上的东西，发不了链接 - - 只能写原创了先画散点图看看大概的模型plot(x,y) 参数估计：最小二乘法 显著性检验：对参数进行t检验，对回归方程进行F检验，相关系数检验R-square 参数区间估计：beta.int(B)函数 回归函数：B<-lm(y~x+I(x^2),data=A) summary (B)：提取模型详细信息 预测：predict(B) 或者predict(B,da
转载
2023-12-19 11:23:34
73阅读
最小二乘法解决回归问题简单介绍线性回归问题最小二乘法目的方法实例 线性回归问题 线性回归就是对所给的样本进行建模，从而来对未给定或者未来的数据进行预测。如上图，给定了一系列的样本点，通过找到一条“最逼近”所有样本点的曲线进行拟合。最小二乘法目的通过最小化误差的平方和，来寻找到最佳的数据匹配方法利用最小二乘可以简便的求得未知的数据，并使得这写求得的数据与实际数据之间误差的平方和为最小。 这里引入几
转载
2023-12-23 13:56:40
464阅读
1. 扩张卷积为了简单起见，我仅引用了DilatedNet结构中的公式：标准卷积(左),扩张卷积(右)左边是标准卷积。右边是扩张卷积。我们可以看到在求和时，需要满足s+l*t=p，索引我们在卷积操作过程中的会跳过一些点。当l=1时，上式表示标准卷积。当l>1时， 上式表示扩张卷积。标准卷积(l=1)(左)，扩张卷积(l=2)(右) 上面的例子说明了l=2时的卷积过程。我们可以看到感知野比标准
转载
2024-08-15 10:45:04
66阅读
资料下载链接：https://pan.baidu.com/s/1mTqblxzWcYIRF7_kk8MQQA 提取码：7x6w【博主使用的python版本：3.6.8】 对于此作业，您将使用 Keras。在进入问题之前，请运行下面的单元格以加载所需的包。import tensorflow as tf
import numpy as np
import scipy.misc
from te
前面两篇文章，我们聚焦于线性回归的回归系数，理清了样本与总体回归方程的区别、回归系数的最小二乘法估计等问题，今天我们重点来看看线性回归的残差和预测值。前面我们谈到过样本回归方程有两种写法： 不难发现，头一种写法，Y上面没有“帽子”（^），但加了一个尾巴—— ，由此我们不难得到下面这个式子： 一般而言， 称作实际观测值；
转载
2023-11-01 18:09:41
112阅读
残差网络（Residual Network）：原理、结构与Python实现引言深度学习中的神经网络模型在不断发展，其中一种重要的网络结构是残差网络（Residual Network，简称ResNet）。ResNet通过引入残差模块解决了深度神经网络中的梯度消失问题，从而实现了更深层次的网络结构。本文将详细介绍残差网络的原理、结构，并通过Python代码和LaTeX公式进行详细解释，帮助读者更好地理
转载
2023-08-01 14:06:23
157阅读
# 如何实现Python ARIMA模型残差值
## 一、整体流程
以下是实现"Python ARIMA模型 残差值"的整体流程，可以用表格展示步骤：
| 步骤 | 描述 |
|----|---------------------------------|
| 1 | 导入必要的库 |
原创
2024-03-01 05:13:10
299阅读
ARIMA模型ARIMA模型（Autoregressive Integrated Moving Average model），差分整合移动平均自回归模型，又称整合移动平均自回归模型（移动也可称作滑动），时间序列预测分析方法之一。ARIMA（p，d，q）中，AR是"自回归"，p为自回归项数；MA为"滑动平均"，q为滑动平均项数，d为使之成为平稳序列所做的差分次数（阶数）。“差分”一词虽未出现在ARI
转载
2023-07-06 13:43:45
372阅读
*** 单因素方差分析&多因素方差分析 （前提：满足正态假设和方差齐型） GLM（非均衡可用）：一般线性模型，有均值检验与比较功能; class b;model a=b;means b;
ANOVA：用于均衡设计观测数据的方差分析;class b;model a=b ;means b;
TTEST：两独立样本均值的比较.
glm过程/anova：class a b c;model y
转载
2024-09-11 16:03:00
69阅读
来源 | 机器学习研习院回归分析为许多机器学习算法提供了坚实的基础。在这篇文章中，我们将总结 10 个重要的回归问题和5个重要的回归问题的评价指标。一、线性回归的假设是什么线性回归有四个假设：线性：自变量（x）和因变量（y）之间应该存在线性关系，这意味着x值的变化也应该在相同方向上改变y值。独立性：特征应该相互独立，这意味着最小的多重共线性。正态性：残差应该是正态分布的。同方差性：回归线
残差网络是为了解决模型层数增加时出现梯度消失或梯度爆炸的问题而出现的。传统的神经网络中，尤其是图像处理方面，往往使用非常多的卷积层、池化层等，每一层都是从前一层提取特征，所以随着层数增加一般会出现退化等问题。残差网络采取跳跃连接的方法避免了深层神经网络带来的一系列问题。一：对模型原理与优点的理解(1)在传统的前馈网络中，网络中堆叠的层可以将输入x映射为F(x)，这一整体网络的输出为H
转载
2023-10-14 17:28:37
175阅读
利用tushare-pro进行时间序列分析tushare-id：371594一些预备知识我们称一个时间序列，满足 称其服从模型，即广义自回归条件异方差模型。其中，为均值项，为残差项，的条件方差是时变的，即条件异方差。是 ARCH项，反映第前期的新消息； 是条件方差即 GARCH 项，是对第前期方差的预测。同时，各项的系数应该满足非负条件。准备工作，导入需要的包import pandas as pd
转载
2024-03-28 11:35:06
79阅读
总的来说这篇论文提出了ResNet架构，让训练非常深的神经网络(NN)成为了可能。什么是残差？ “残差在数理统计中是指实际观察值与估计值（拟合值）之间的差。”如果回归模型正确的话， 我们可以将残差看作误差的观测值。”更准确地，假设我们想要找一个 xx，使得 f(x)=bf(x)=b，给定一个 xx 的估计值 x0x0，残差（residua
转载
2023-12-15 18:58:22
301阅读
AlexNet，VGG，GoogLeNet 等网络模型的出现将神经网络的发展带入了几十层的阶段，研究人员发现网络的层数越深，越有可能获得更好的泛化能力。但是当模型加深以后，网络变得越来越难训练，这主要是由于梯度弥散现象造成的。在较深层数的神经网络中间，梯度信息由网络的末层逐层传向网络的首层时，传递的过程中会出现梯度接近于0 的现象。网络层数越深，梯度弥散现象可能会越严重。用什么方
转载
2024-08-14 11:42:27
78阅读
