- Главная
- Разное
- Дизайн
- Бизнес и предпринимательство
- Аналитика
- Образование
- Развлечения
- Красота и здоровье
- Финансы
- Государство
- Путешествия
- Спорт
- Недвижимость
- Армия
- Графика
- Культурология
- Еда и кулинария
- Лингвистика
- Английский язык
- Астрономия
- Алгебра
- Биология
- География
- Детские презентации
- Информатика
- История
- Литература
- Маркетинг
- Математика
- Медицина
- Менеджмент
- Музыка
- МХК
- Немецкий язык
- ОБЖ
- Обществознание
- Окружающий мир
- Педагогика
- Русский язык
- Технология
- Физика
- Философия
- Химия
- Шаблоны, картинки для презентаций
- Экология
- Экономика
- Юриспруденция
Построение регрессионных моделей и решение задачи предсказания презентация
Содержание
- 1. Построение регрессионных моделей и решение задачи предсказания
- 2. Два класса решаемых задач
- 3. Постановка задачи. Исходные данные
- 4. Цель исследования Построить модель для известных наборов
- 5. Множественная регрессия. Проверка
- 6. Коллинеарность Коллинеарность означает, что между переменными, составляющими
- 7. Двухэтапная процедура РГК Регрессия на главные компоненты (РГК)
- 8. Моделирование – хемометрический подход
- 9. Обучающий набор данных Набор должен быть достаточно
- 10. Построение модели
- 11. Оценка антиоксидантов методом ДСК Объект Антиоксиданты в
- 12. ДСК эксперимент Оценка температуры начала окисления (ТНО) при разных скоростях нагрева v
- 13. ДСК данные и референтные данные
- 14. Предварительная обработка данных.
- 15. Метод главных компонент в примере с
- 16. Тестовый набор данных Набор должен быть достаточно
- 17. Моделирование – стадия проверки
- 18. Способы проверки Проверка на тестовом наборе Перекрестная проверка Проверка корректировкой размахом
- 19. Перекрестная проверка Моделируют тестовый набор используя
- 20. Полная перекрестная проверка Модель
- 21. Проверка корректировкой размахом Ошибка предсказания всегда оценивается
- 22. Сколько выбрать главных компонент
- 23. Ошибка моделирования и ошибка предсказания
- 24. Количество ГК для АО примера 2 главные компоненты
- 25. Прогноз эффективности АО RMSEP = 0.253 Yпред=Y±2*RMSEP
- 26. Слабость РГК РГК – мощное средство
- 27. Регрессия на латентные структуры (ПЛС - регрессия)
- 28. Интерпретация ПЛС-модели T - матрица счетов Q
- 29. Графике зависимости X-Y U - T
- 30. График остаточной дисперсии Для ПЛС-моделей дисперсия должна падать Остаточная дисперсия Y – количества ГК
- 31. Заключительный график Предсказанные значения Y - измеренные значения Y
- 32. Определение октанового числа бензина по данным ИК-спектроскопии
- 33. Выводы Два основных проекционных регрессионных метода.
Два класса решаемых задач
Слайд 4Цель исследования
Построить модель для известных наборов X и Y
Оценить возможности
модели для предсказания неизвестных значений Y по новым значениям X.
Слайд 5Множественная регрессия.
Проверка основных статистических гипотез об уравнении регрессии, его коэффициентах и
прогнозируемых значениях откликов.
Слайд 6Коллинеарность
Коллинеарность означает, что между переменными, составляющими матрицу X, существует взаимная корреляция,
т.е. они в некоторой степени линейно зависимы между собой, например X1=f (X2, X3, …, Xn)
Слайд 9Обучающий набор данных
Набор должен быть достаточно большим
Должны охватывать всю будущую
совокупность
Измерения X, по возможности, должны быть несложными
Измерения X, по возможности, должны быть несложными
Слайд 11Оценка антиоксидантов методом ДСК
Объект
Антиоксиданты в ПП
Цель
Оценка эффективности АО
Эксперимент
Длительное термостарение
Обработка
Регрессия на главные
компоненты
Y- измерения
Дифференц. калориметрия
X- измерения
Температура начала окисления
Слайд 15
Метод главных компонент в примере с АО
График счетов (ГК1-ГК2)
ГК1-ГК2: объясняют 96%
структуры X и 97 % структуры Y
Стандартная ошибка калибровки
Слайд 16Тестовый набор данных
Набор должен быть достаточно большим
Должны охватывать всю будущую
совокупность
Не должны быть «слишком» похож на калибровочный набор
Не должны быть «слишком» похож на калибровочный набор
Слайд 18Способы проверки
Проверка на тестовом наборе
Перекрестная проверка
Проверка корректировкой размахом
Слайд 19Перекрестная проверка
Моделируют тестовый набор используя калибровочный
(ycal , Xcal)
Самый медленный способ проверки
и не всегда надежный
Слайд 21Проверка корректировкой размахом
Ошибка предсказания всегда оценивается слишком оптимистично
Требует построения лишь
одной модели
Слайд 26
Слабость РГК
РГК – мощное средство борьбы с мультиколлинеарностью в матрице X
РГК
–двухэтапный метод
Декомпозиция X по МГК
МЛР
=
+
Эта декомпозиция не учитывает связи между X и Y
Слайд 28Интерпретация ПЛС-модели
T - матрица счетов
Q - матрица нагрузок
Для X
Для Y
W –матрица взвешенных (эффективных) нагрузок
U - матрица счетов
P - матрица нагрузок
Слайд 30График остаточной дисперсии
Для ПЛС-моделей дисперсия должна падать
Остаточная дисперсия Y – количества
ГК
Слайд 32Определение октанового числа бензина по данным ИК-спектроскопии
Исходные данные
Обучающий массив = 26
образца
Прогнозный массив = 13 образцов
Количество переменных (длин волн) = 226 (1100 – 1550 nm)
Прогнозный массив = 13 образцов
Количество переменных (длин волн) = 226 (1100 – 1550 nm)
Слайд 33Выводы
Два основных проекционных регрессионных метода.
Регрессия на главные компоненты
Регрессия на латентные
структуры.
Уменьшают размерность исследуемых данных
Позволяют проанализировать скрытые в данных закономерности
Выбор меньшего числа ГК дает более устойчивую модель
Проверка с помощью представительного тестового набора наиболее надежный способ оценки ошибки прогнозирования
