Допустим, у меня есть набор выборок, который состоит из нестационарного случайного процесса с равномерным распределением вероятностей (гауссовым). Мне нужна адаптивная линейная регрессия по набору образцов. По сути, я хочу, чтобы линия «наилучшего соответствия» вела себя определенным образом. У меня есть отдельный сигнал, и я знаю, что "наиболее подходящая" линия формы Y=Mx+B будет иметь наклон M, пропорциональный этому другому сигналу. Поэтому мне нужна проблема оптимизации, чтобы минимизировать расстояние между точками, НО давая мне наклон, пропорциональный другому сигналу. Какой самый простой подход машинного обучения/статистики для решения этой проблемы?
Адаптивная линейная регрессия
Ответы (1)
Если я правильно понимаю ваш вопрос, вы можете просто использовать обычную регрессию или алгоритм типа градиентного спуска, но вместо того, чтобы иметь степени свободы как M и B, вы можете использовать константу пропорциональности к M известных данных и отдельный Б.
т.е. известный сигнал:
Y1 = M1*x + B1
Y2 = k*M1*x + B2
найдите k и B2 так, чтобы средняя разница между x и y была минимальна.
Теоретически, это кажется внутренним в любом случае. Если вы решили задачу для линейного решения в первую очередь. k будет М2/М1....
person
Community
schedule
10.12.2015
