问题标签 [piecewise]

我想使用具有分段常数目标函数的 R 来解决最小化问题。这个想法是，对于我的（整数）决策变量x的较低值，会产生比较高值更高的惩罚成本。考虑到一些限制，我想尽量减少总罚款成本。

所以，我的程序如下所示：

我在编程分段常数目标函数P(x)时遇到问题，其中P(x)是向量x的所有元素的总和。我知道它不能与库中的函数结合lp()使用linprog。但是，如果不指定大量额外的变量，我无法找到一种方法。此外，广泛的互联网搜索并没有提供任何有用的想法。

让我举一个例子来说明这个函数P的样子

这应该按以下方式阅读：如果x1=2，则会产生 11 的惩罚成本。如果x6=4，则会产生 13 的惩罚成本。也就是说，对于x=c(2, ..., 4)，我们有 ，P=c(11, ..., 13)总惩罚成本（目标值）是sum(11, ..., 13)。

我的矩阵A（它完全是单模的）和向量b如下所示。

A <- matrix(c(1,0,1,0,0,1,1,0,0,1,0,0,0,1,0,1,1,0,0,1,0,0,0,1,0,0,0,0,1,0,0,0,0,0,0,1),nrow=6) b <- c(4,5,1,5,2,4).

所以，我的问题是：

如何使用 R 找到分段常数目标函数的最小值？

我在代码中提供了具有负斜率和正斜率的数据，如图所示：

使用这篇文章中应用的代码拟合由两种不同状态组成的数据的曲线，我创建了这个代码。它适用于相同的斜率，无论是正的还是负的，但是当一个是正的，另一个是负的时，它不能正确地拟合线条。

输出

对于不同的坡度：

对于相同的斜率都是负的（也适用于正斜率）：

我有两个问题：

1. 如何在 Python 中对此类情况应用分段线性拟合？
2. 如何将其扩展到三个或更多政权？

我想用一个断点进行分段线性回归，其中回归线的第二半有slope = 0. 有如何进行分段线性回归的示例，例如这里。我遇到的问题是我不清楚如何将模型的一半的斜率固定为 0。

我试过了

哪里k是断点，但右边的段不是平坦/水平的。

我想将第二段的斜率限制为 0。我试过：

但同样，我不确定如何让下半场的斜率为零。

任何帮助是极大的赞赏。

我自己的解决方案

感谢下面的评论，我有一个解决方案。这是我用来优化然后绘制拟合的代码：

我需要添加从多个数据集派生的分段多项式。有没有一种简单的方法可以在不插值的情况下将分段多项式相加？换句话说，给定 PP1 和 PP2，有没有办法生成 PP3（其中 PP3 保持分段多项式形式）？例如..

但不是tnew明确指定，我想要一个pp3有效的新分段多项式pp1+ pp2。

尽管 scipy 的文档表明scipy.interpolate.UnivariateSpline将以 k<=5 的顺序运行，但实际上，对于 >=1 的顺序还有一个额外的约束。有谁知道用 Numpy/Scipy 实现 0 度样条或分段常数插值的方法？

第一次尝试在 R 中使用“分段”包并有一些（可能是愚蠢的）问题。

我正在R中实现分段回归，我想做的是这样的：

我希望做一个两段分段回归，其中我可以使用变量 x3，一个二进制变量，将模型分成两段——一个段 x3=0，另一个段 x3=1。

考虑到这一点，我因此使用 0.5 作为我的估计断点。但是，我收到这样的错误消息：

两个问题：

1. 鉴于我打算做什么，代码有意义吗？
2. 错误的可能原因是什么，我该如何解决？

提前致谢！

我正在使用分段包来构建具有大量预测变量的 arima 回归模型。但是模型预测步骤总是给我这个错误：

我的代码如下。Y_c 是预测变量。X_c 是一个大的预测变量矩阵，而 X_v 本质上是相同的矩阵，但处于验证期。X_c 中的预测变量之一是 TP，它有两个断点。因为我不想附加数据，所以我使用了一个孤立的变量，估计似乎还可以。

但是最后一步给我带来了错误。

我无法找出我对实际数据做错了什么。使用虚拟数据进行测试很好。

这真是令人沮丧。如果有人可以提供一些帮助，将不胜感激！

我知道您可以使用 approx 函数进行线性插值。但是，我在任何地方都找不到如何对这对点进行分段线性插值。例如，假设 x<-c(1,4,3,2) y<-c(4,3,2,1)

有人可以给我答案吗？非常感谢提前

我定义了一个这样的分段函数：

但它总是返回我 0

很抱歉问了这么愚蠢的问题，但我真的很困惑！我有一个带有一个断点的分段线性回归，现在我想测试davies.test包中斜率的显着差异segmented：

现在哪一个对戴维斯测试是正确的？

或者