问题标签 [coefficients]

给定三个点,和,我想计算二次函数 (2 次多项式)的系数a0,a1和, 其中?a2(x0, y0)(x1, y1)(x2, y2)yi = a0 + a1*xi + a2*xi*xi

我尝试了以下两个公式，但输出的精度并没有给我留下深刻的印象

结果确实有点吻合，即，似乎大致+/- 1e-5 * max{ |a0'|, |a1'|, |a2'| }在真实解a0'、a1'和的窗口内a2'。

有没有更好、数值更稳定的方法来计算系数？

顺便说一句，我正在使用 Java，尽管我认为这无关紧要。

干杯，托马斯。

我编写了一个 perl 脚本来生成要在 C++ 标头中使用的注释信息条目列表。该脚本包含以下内容：

生成的输出如下所示：

虽然，我似乎无法在我的脚本生成的列表中获得结果频率，以与基本的“A”频率对齐。

例如，A4 应对应 440 Hz，A0 应为 27.5 Hz。

如何正确对齐频率并将每个八度音阶中的每个音符与其各自的基本 A 音符频率相乘？

我将（1）多次循环某个标准的回归；(2) 存储每个回归的某个系数。这是一个例子：

我只关心一个预测器，mpg在这里说。我想将mpg每个结果的系数提取到一个独立的文件中（任何文件都可以，.dta很好），看看是否有随着阈值weight增加的趋势。我现在正在做的是用于estout导出结果，例如：

estout将导出所有内容，我需要编辑结果。这适用于预测变量很少的回归，但我的真实数据集有 30 多个变量，并且回归将循环至少 100 次（我有一个Distance范围从 0 到 30,000 的变量：它weight 在示例中的作用）。因此，我真的很难在不出错的情况下编辑结果。

有没有其他有效的方法来解决我的问题？因为我的情况不是循环组变量，而是循环某个标准。该statsby功能在这里似乎无法正常工作。

我已经计算了函数的离散傅里叶变换的系数。我还创建了一个 N=1000 个元素的数组，其中包含来自单个方波周期的 1000 个等距样本。

这是我的代码

如何将除前 10 个傅立叶系数之外的所有系数设置为零？

SKlearn 有几个朴素贝叶斯分类器，即 BinomialNB 和 MultinomialNB。在这两种情况下，coef_ 变量都会返回每个特征的重要性权重。当有 3 个类时， coef_ 的大小为3xn、4 个类、4xn等。但是，当它是 2 类问题时， coef_ 是1xn。这是代码片段：

返回的系数只是属于第二类的系数。我们显然可以通过feature_log_prob直接去获得系数，但这不是必需的。

为什么是这样？？

无论是在lm()as in 中glm还是在lmer系数的默认输出中，都将它们格式化为（截距），对应于具有最高字母顺序的变量，然后是其余的系数。为了找出任何系数的实际值，有必要从（截距）基线中添加（或减去）多个中间系数，具体取决于模型。

尽管仅使用几个回归量时这不是问题，但在更复杂的模型中它很麻烦并且容易出错。例如：

对于数据：

来电：

产生以高度相关的方式表示的系数，这使得快速计算其中任何一个都变得乏味。

有没有办法以更直接的格式获得实际系数，至少对于固定效果而言？

在verilog中，只有这行代码它显示模拟输出

1)

2）但对于下面的行，它没有显示模拟输出

解释为什么第二组代码没有显示模拟结果？实际上我想存储8位最小65535滤波器系数..我想读写..请指导我...

我正在使用逻辑回归（在 scikit 中）来解决二元分类问题，并且对能够解释每个单独的预测感兴趣。更准确地说，我感兴趣的是预测正类的概率，并衡量每个特征对该预测的重要性。

使用系数（Betas）作为重要性的衡量标准通常是一个坏主意，正如这里回答的那样，但我还没有找到一个好的选择。

到目前为止，我发现最好的是以下 3 个选项：

1. 蒙特卡洛选项：修复所有其他特征，重新运行预测，用训练集中的随机样本替换我们想要评估的特征。这样做很多次。这将为正类建立一个基线概率。然后与原始运行的正类概率进行比较。差异是特征重要性的度量。
2. “Leave-one-out”分类器：为了评估一个特征的重要性，首先创建一个使用所有特征的模型，然后创建另一个使用除被测试的特征之外的所有特征的模型。使用这两个模型预测新的观察结果。两者之间的区别在于该功能的重要性。
3. 调整后的贝塔：根据这个答案，通过“其系数的大小乘以数据中相应参数的标准差”来排列特征的重要性。

所有选项（使用测试版、蒙特卡洛和“留一法”）对我来说似乎都是糟糕的解决方案。

1. 蒙特卡洛依赖于训练集的分布，我找不到任何文献来支持它。
2. “遗漏一个”很容易被两个相关特征所欺骗（当一个不存在时，另一个会介入以进行补偿，并且两者都将被赋予 0 重要性）。
3. 调整后的 beta 听起来很合理，但我找不到任何文献支持它。

实际问题：在决策时刻，用线性分类器解释每个特征的重要性的最佳方法是什么？

快速说明 #1：对于随机森林，这很简单，我们可以简单地使用prediction + bias分解，正如这篇博文中所解释的那样。这里的问题是如何用逻辑回归等线性分类器做类似的事情。

快速说明 #2：stackoverflow 上有许多相关问题（1 2 3 4 5）。我一直无法找到这个特定问题的答案。

我的简单数据集如下所示。

可以使用以下代码重现上述数据集。

首先，我使用以下命令获取面板数据回归的面板结构

现在运行回归

然后为结果估计创建捷径，如下所示。

我有这个代码来计算面积的边际产品。但是我的数据框有一些缺失值，我需要包含代码以从上述计算中删除这些缺失值。否则，答案也为 NA。我只是尝试在上述代码的末尾包含以下内容。

但它不需要那个标签。数据框 pdat 是使用面板数据回归分析的面板数据集。a1、a2、a11、a12 是特定回归的系数。pdat 有一些丢失的数据，我相信由于 pdat 中缺少数据，因此 pdat$mpLab 会为每个观察结果提供 NA。

如果有人可以帮助我，将不胜感激。

在 Stata 中，我正在使用该coefplot包尝试在同一个图上绘制来自多个回归的一个系数（换句话说，会有多个系数，但每个系数都来自不同的回归）。

这是在每个回归中系数具有相同名称时完成此操作的代码（与Plotting same coefficient over time相关） ：

这一切都很好，花花公子。但是当每个回归的系数与不同的变量相关时，我怎么能完成同样的事情呢？例如：

当我只想要一个图时，这会产生三个单独的图。我需要做什么才能做到这一点？我想要的是有一个图，其中mpg( t1)、truck( t2) 和weight( t3) 的系数都绘制在同一个图上。最好知道如何在标记这些系数mpg, truck, weight和之间切换t1, t2, t3。

一种解决方案是使用矩阵，但如果可能的话，我想避免走这条路。