问题标签 [model-fitting]

我尝试在雅加达湾进行克里金法。我有一组具有适当坐标和属性（pH、盐度、...）的测量点

为了进行克里金法，我首先需要为我的变异函数找到一个模型。当我使用“变异函数”函数时，输出并不完美，但应该没问题，但是当我尝试拟合变异函数时，我收到一条警告消息：In fit.variogram(ph.vgm, model = vgm(0.12, " Sph", 0.1, 0.01)) ：警告：变异函数拟合中的奇异模型，我有一个奇异模型。

在这里，我阅读了与变异函数计算相关的奇异模型。我可以做点什么让它变得更好吗？

我怎样才能更好地拟合我的变异函数？为什么我只能在测量点周围获得小圆圈？我想拥有带有预测值的完整地图。

我还尝试了更不灵活的“automap”库，我没有获得好的结果。

我正在尝试使用lsqcurvefitlinked with来拟合函数MultiStart。问题是获得的结果与训练数据高度不一致。

整个问题与串联连接的两个 RC 并联电路的频率响应（通过实验获得 -xdata,ydata-）以及通过拟合适当的阻抗方程计算 R、C 值有关。

我遵循的步骤是（根据 mathworks 教程）：

第一步（创建目标函数）

第二步（创建训练数据）

第三步（设定界限）

第四步（设置问题）

第五步（运行MultiStart）

运行上述过程后，我得到的结果如下：

在线下方附加的图中，空心圆圈分别对应于 c 初始值和优化值。

我无法理解为什么错误如此之大。我的代码或我处理问题的方式有问题吗？这可能是由于我的小 matlab 经验，但我一直在努力寻找解决方案。

任何帮助将不胜感激。

提前感谢您的宝贵时间。

遇到了拟合二项式逻辑回归的问题，因为结果似乎在语言之间存在问题。花了很长时间研究这个并寻找在线建议，（为了以防万一，尝试了所有数据变化），我相信它归结为 MATLAB 使用的拟合程序glmfit（我偷偷怀疑它是最大似然估计器，而 python 和 R 使用 IRLS/IWLS。）

我首先使用以下方法在 MATLAB 中运行我的问题：

其中x'是具有预测变量的多列数组row length = y，y是具有基于标准的二进制结果的响应向量。

从那次计算开始，我开始使用 python/R2py。我在 Python 和 R 中尝试了相同的程序，使用 statsmodels 中的 glmfit 等价物拟合 logit 链接的二项式，并获得了一组不同的回归系数（请注意，这两个的响应向量的位置发生了变化）：

并使用 R2py：

如果有人能澄清 MATLAB 使用什么，如果有人对如何在 python 或 R 中复制 MATLAB 结果有建议，将不胜感激。

我有 3 组点云代表一个表面。我想用这些点云来构造三角形网格，然后用网格来表示表面。每组点云都以不同的方式收集，因此它们对该表面的表示是不同的。例如，一些集合可以表示具有较小“误差”的表面。我的问题是：（1）评估这种网格到表面“错误”的最佳方法是什么？（2）是否有成熟/可靠的方法将点云转换为三角形网格？我发现一些软件可以做到这一点，但大多数都需要大量的手动调整。(3) 转换后我得到三个网格。我想使用第四个网格，即 Mesh4，来“拟合”三个网格，并获得三个网格的“平均”网格。然后我可以使用这个 Mesh4 作为底层表面的表示。我怎样才能做/称这个“网格到网格”拟合？是成熟的技术吗？非常感谢您的宝贵时间！

我正在尝试在 python 中重现在 IDL 中正常工作的东西。（这是一个更大程序的一部分，所以不能只使用 IDL。）

我正在尝试做的是将尚未经过波长校准的光谱拟合到另一个已经具有的光谱，从而获得未校准光谱的波长色散解决方案。

IDL 代码：

这个输出看起来像（基准是红色的，适合是黑色的）：

python代码基本相同：

然而，THIS 的结果有些不同：

IDL 版本绝对是正确的版本，因为检测器的波长限制在 2.5 微米左右……

我在这里和这里粘贴了数据。关于如何让 python 看起来像 IDL 合适的任何建议？太感谢了！

fittype我有以下模型，我想使用MATLAB中的函数来拟合：

x，这是最后（突出显示）行，是最终模型。

A, B, C, 和D是我感兴趣的参数。我知道k是自变量，但这些x部分真的让我失望。所以我不知道如何输入这个模型作为参数fittype。到目前为止，我尝试过的所有事情似乎都离题了，所以我确定这就是我被卡住的地方。

我会很感激任何帮助。

对于青光眼诊断，通常确定“杯盘比”，它比较视盘 (VDD) 和视杯 (VCD) 的直径。光盘显示为圆形红色特征（红色通道），视杯显示为黄色圆圈（绿色通道）。如何计算视盘和视杯的直径比？

我能够通过精明的边缘检测来检测视盘，但我还没有找到一种计算杯盘比的方法。我该怎么做？

原图：

VDD 和 VCD：

（我知道它一定非常容易，但我在 R 中苦苦挣扎：）

我将 x 和 y 值的数据集保存在 X 和 Y 向量中。我知道数据图应该完全遵循 -45 度线（见下图）

我如何找到最适合数据的 -45 度线（+ 所有这些统计数据可从 summary(lm(...)) 获得？我试过 lm，但我不能强迫它放弃拟合斜率参数

谢谢

尝试后：lm(y~1,offset=-x)并应用abline(coefficient, -1)我得到以下情节（见下文）

黑线是abline plot，黄色是我的猜测——有什么问题lm或者我完全错过了什么？

我有两个想要拟合的高斯分布。由于这两种分布可以不同地混合，我希望拟合尽可能普遍。我在这里找到了下面的代码：

高斯拟合 python 中的直方图数据：Trust Region v/s Levenberg Marquardt - 第一个答案。

但是，它不适用于我的数据或下面代码中生成的原始数据并吐出错误：

我希望它是简单的。我的数据只是一个绘制直方图、时间与幅度的二维数组。

我在数据集上执行了 SAS PROC LIFEREG，假设基线分布是广义 gamma。我使用的命令是：

我得到了适合的统计数据：

为什么未记录的响应与记录的响应具有不同的可能性？这两种情况有什么区别？