问题标签 [singular]

我正在玩这个nls2包，它确定非线性回归的非线性最小二乘估计。在文档中，其中一个示例（如上所示）指出它正在研究奇异梯度。我看到这xx是一个nls没有参数估计的对象。这是否意味着算法没有收敛？为什么是这样？究竟在svd(xx$m$Rmat())[-2]做什么？

我正在使用brnn包将正则化神经网络拟合到我的数据中。在某些情况下，我收到一个错误：

我在 stackoverflow 上阅读了与此主题相关的所有问题，但解决方案并不直接适用于我的问题。到目前为止我知道：

1. 问题出在brnn()功能上，它依赖于solve()功能。解决方案是降低容差（包tol中的参数brnn）。我确实减少了它，但问题仍然存在。
2. 预测变量的多重共线性。这是不可能的，因为我只有一个自变量。
3. 我在这里卡住了..

brnn 包的 GitHub 站点

我的代码的一小部分，可用于重现错误：1.创建数据

现在适合 brnn 模型：

在第一个建议的解决方案之后进行编辑： 一种可能的解决方案是 to set tol = 1e-6。这实际上只是部分地解决了这个问题。我仍然在大约 1/3 的重复中得到错误。因此，我认为应该有别的东西。

我试图在表面上积分以下方程：强度=（2*J1（z）/z）^2，z=A*sqrt（（x-mu1）^2+（y-mu2）^2）， A(L) x 和 y 的常数和 J1 一阶贝塞尔函数。为此，我使用 dblquad 函数，如下所示：

这里唯一重要的参数是极坐标中的 r 和 phi（其他参数取决于此处不重要的其他参数），其中 x=r cos(phi) 和 y=r sin(phi) 但是当我尝试整合函数时，我得到了这个信息：

C:\pyzo2013b\Lib\pyzo-packages\scipy\integrate\quadpack.py:289：UserWarning：已达到最大细分数（50）。如果增加限制没有改善，建议分析被积函数以确定困难。如果可以确定局部难度的位置（奇点、不连续性），则可能会从拆分区间并调用子范围上的积分器中获益。也许应该使用专用的积分器。
警告。警告（味精）

然后是一个完全不准确的结果，然后是：

C:\pyzo2013b\Lib\pyzo-packages\scipy\integrate\quadpack.py:289：UserWarning：积分可能是发散的，或者是慢慢收敛的。警告。警告（味精）

我确实理解此消息的含义，但我有两个问题：

• 除了将我的积分区间划分为更小的部分之外，我还有什么方法可以避免这种细分错误（我想通过将它们与无限域上的范数进行比较来检查我的其他结果，我将无法做到所以如果我不能正确整合无限域）？也许有一个特殊用途的集成商？但我不知道它是什么或如何使用它们。
• 为什么当 z 收敛到零时（就像窦基数一样），我知道 J1(z)/(z) 收敛到 1 时会收到关于发散积分或奇点的警告？

有人有答案吗？

这是完整的有用代码行（所有其他参数都以其他方式定义）：

（为了更好地理解该功能，我根据 gboffi 的建议对其进行了修改。）

我tf.matrix_inverse()用来计算矩阵的逆。有时，矩阵非常接近奇异但不是奇异的。tf.matrix_inverse()我想知道在 Tensorflow中定义它是“奇异矩阵”的阈值是多少（或矩阵的行列式与 0 有多接近） ？

下面的矩阵是奇异的，AFAIK 试图反转它应该会导致

但相反，我确实得到了一些输出矩阵。请注意，输出矩阵是一个无意义的结果，因为它有一行 0（这是不可能的，因为矩阵的逆矩阵本身应该是可逆的）！

我在这里是否遗漏了与浮点精度或伪逆计算而不是真正的逆计算相关的内容？

我正在尝试在R. 响应变量是连续的。预测变量是分类的，取值[0, 1, 2, 3, 4]。

每次我尝试进行任何分析时，都会收到错误消息（下面的命令和错误示例）。

结果，它甚至不允许我测试预测变量之间的任何 2 路或 3 路交互。有谁知道问题可能是什么？我很新，R不知道发生了什么！

编辑：我包括一小部分数据；使用 as.factor 函数将预测变量编码为分类

连续响应变量和选择分类预测变量

我手头有一个回归问题，并且知道该错误是由输入变量的多重共线性引起的，但是我很难找到如何识别这些额外变量并将它们从回归模型中删除以使其工作。

这是一个简单的例子，但在我的例子中，它不仅仅是高度相关的变量（它可以是 x3 = x1 + x2）：

但是，在这种情况下，我想首先删除 X3，因为它与 X2 相关，并使用 X1 和 X2 来拟合 b。

关于如何将 A 的等级降低到其满等级并在适合模型之前删除额外变量的任何想法？

谢谢！

我试图掌握可逆和不可逆矩阵的基本概念。

我创建了一个随机的非奇异方阵

我知道这个矩阵是正定的（因此是可逆的），因为当我将矩阵S分解为其特征值时，它们的乘积是正的。

根据这篇论文，我们也可以通过其 SVD 计算非奇异矩阵的逆矩阵。哪里 （其中 U 和 V 是特征向量和 D 特征值，如果我错了，请纠正我）。

则相反的是，。

事实上，我可以在 R 中运行公式：

产生与 完全相同的结果solve(S)。

我的第一个问题是：

1) 是否s$d确实代表 的特征值S？因为s$d和eig_S$values完全不同。

现在第二部分，

如果我创建一个奇异矩阵

求解函数会产生错误

系统在计算上是奇异的：倒数条件数 = 1.61045e-19

所以，再次根据同一篇论文，我们可以使用 SVD

这会产生相同的错误。然后我尝试使用Cholesky 分解进行矩阵求逆

我又得到了同样的错误。

有人可以解释一下我在哪里使用了错误的方程式吗？

我知道对于 matrix I%*%Conj(t(I))，特征值矩阵的行列式是正的，但由于我所做的初始乘法，矩阵不是满秩。

更新1：在下面的评论之后，再次浏览论文/维基百科页面之后。我使用了这两个代码，它们产生了一些结果，但我不确定它们的有效性。第一个例子似乎更可信。SVD解决方案

和乔尔斯基

我不确定我是否正确解释了这两个来源。

我目前正在分析税收对一个国家的机构的影响。我正在使用合成对照方法来确定对玻利维亚的治疗效果。synth() 命令工作正常，安慰剂（国家 8 = 不丹而不是国家 9 = 玻利维亚）却没有。它会生成重复的错误消息：

solve.default(AP, c(cx, cy)) 中的错误：系统在计算上是奇异的：倒数条件数 = 9.90619e-17

我附上了代码。您可以在以下链接下找到数据集： totalB-Dataset

我无法弄清楚为什么第一个 synth() 命令有效，而仅在不同国家/地区完全相同的命令无效。我尝试过使用更大的容差。此外，我进行了回归，并没有在那里检测到奇点。

我将非常感谢任何帮助！

创建矩阵来为 synth() 提供输入

)

现在安慰剂测试：

)