文件名称：robust-nonlinear-regression:任意非线性函数的鲁棒回归
文件大小：67KB
文件格式：ZIP
更新时间：2024-06-01 15:32:49
python numpy iteration fitting robust
稳健的回归和离群值检测 使用贝叶斯迭代将已知模型稳固地拟合到数据。 这两个实现使用 兰萨克 M估计 健壮的部分实现了，而功能却没有实现。 模型拟合是从scipy.minimize借用的。 随意使用其他模型拟合方法。 要求 numpy是robust_lsq.py的唯一先决条件。 robust_lsq.py需要最小二乘拟合函数（或其他拟合函数），例如scipy.optimize.minimize 。 请参阅示例models.py 。 robust_lsq.py 麻木 models.py 科学的 麻木 test.py 科学的 麻木 matplotlib 设置 请运行test.py以获取使用贝叶斯估计将直线稳固地拟合到数据的示例。 它是如何工作的？ 关键思想是确定最适合模型的样本。 使用贝叶斯更新。 贝叶斯规则由下式给出： P（数据/模型）= P（模型/数据）* P（数据）/ p（模型）
【文件预览】：
robust-nonlinear-regression-master
----models.pyc(1KB)
----least_squares_example.png(65KB)
----LICENSE(1KB)
----models.py(303B)
----.idea()
--------misc.xml(254B)
--------workspace.xml(24KB)
--------vcs.xml(180B)
--------robust-least-squares.iml(398B)
--------modules.xml(292B)
----robust_lsq.py(2KB)
----robust_lsq.pyc(2KB)
----test.py(2KB)
----readme.md(4KB)