问题标签 [polynomial-approximations]

我想创建一个模型，该模型从多项式回归中获取值并根据预测值（按多项式）创建泊松回归。

我只得到了类似这样的 R 代码

到目前为止，我的方法是首先计算离散数据点的多项式预测，然后在此基础上运行泊松回归。但是，我的结果有点偏离。

如果你们中的任何人看到我的错误，我很想知道我哪里出错了。

干杯

对于我的小型FLOSS 项目，我想近似Green 等人。点接触的最大剪应力方程：

绘制时应该是这样的

Maxima 中的相同方程：

现在要找到最大值_max，我将上述方程与 区分：

试图求解 的导数：

我最终得到了一个我无法实际使用或测试的多页方程。

现在我想知道是否可以找到多项式：

这大约解决了

0 < < 0.5和的方程0 < < 1。

我正在编写一个程序，它将生成给定温度数据的多项式模型。您可以在下面的屏幕截图中看到我的程序以及我的数据：

但是，当我生成模型并更改模型的度数时，我得到了这些非常潦草、时髦的图表。问题是什么？我真的很感激一个解决方案，因为我已经被这个问题困扰了一周。

我在python中导入了我的excel数据。

如何使用 excel 中的列来找到最佳拟合多项式方程？

我正在研究一个 NP 难题，问题是：

“我们需要看电影或与朋友交谈并听取他们对电影的推荐。我们只有 t 小时。”为此，我需要设计一个多项式时间算法来选择 t/2 推荐人，还需要证明这是NP难题。

在这里，我的问题是需要选择哪个 NP 难题来表明给定的问题是 NP 难题。我可以为此选择子集和 NP 难题吗？请帮我。

我正在阅读“统计学习简介”，并且已经到了讨论线性回归的交互项的章节（第 3.3.2 节）。我了解添加交互项的好处以及设置交互项的理论。但是，目前尚不清楚如何在 python 中进行设置。

通过在线阅读，我了解到 sklearn 上的 PolynomialFeatures 可用于使用 interaction_only 参数创建交互项。

但是，我不确定进行线性回归的下一步。我拥有的数据是连续变量。

我的问题是：

1. 我可以通过将度数设置为 1（在 PolynomialFeatures 上）然后应用 fit_transform 方法来执行线性回归吗？或者我是否必须将度数设置为 2（最小值），因为我正在选择多项式线性回归？例如，直线可能比二次曲线更适合模型

2. 如果有 4 个预测变量（x1、x2、x3、x4）并且交互作用仅在 x2 和 x3 之间，如何添加交互项

注意：本书提供了一个将回归应用于直线（而不是多项式）的示例。

我有一个数据集，我打算使用 linalg.net 库执行线性最小二乘优化三阶多项式拟合。我已经从 Nuget 包安装了库，我的问题是使用该方法

要计算多项式拟合，因为该方法似乎没有接受两个参数的重载，我碰巧只有两个参数可以输入到多项式拟合中，thedouble[] x和double[] y. 如果有人对如何使用 alglib.net 库来计算手头的问题有经验，我们将非常感谢您的帮助。

代码

早安/晚安，我有一个简单的问题，并针对我的编码问题进行了研究。

这是关于非线性和线性回归的图表

这是我使用的原始数据

我稍后会查看我的图表中的线性回归：

我的线性回归方程是y = -12.6145-1.4197x 我指的是Linear regression。

从这里开始，我很困惑该怎么做。我搜索它以区分我需要从我的图表中的一个方程。后来我可以使用bisection方法或fsolve方法

作为参考，我看到一个完美地拟合图表。牛顿多项式插值

在我完成线性回归后，谁能给我任何建议，让我从图中提取方程？

先感谢您。

我正在尝试使用多项式拟合来拟合 2d 数据，并发现在一定程度的多项式之后，numpy 会给出“排名警告”。另一方面，使用切比雪夫多项式进行拟合不会给出这样的警告。我可以使用 numpy 的 Chebyshev 来拟合相同的数据。输出是不同等级的切比雪夫多项式的形式。

我想计算这些切比雪夫多项式的数值，以便我可以将结果与正常多项式拟合进行比较。这是示例代码。

提前谢谢你。

这是一个近似任务

• 二次多项式 f(teta,x)
• 其中 teta0,teta1,teta2 是要更改的参数
• xi->yi 输入 xi 的输出值 yi 数据集
• 正如您在此公式中可能进一步看到的那样，计算了小批量的均方误差

我的问题是，对于小批量或单个值有一些错误，如何通过这个公式反向传播它并更新 Teta 值？反向传播时神经网络中的udes与正常方法有很大不同，所以也许任何人都可以提供帮助？非常感谢您的回答