linear

    -2

    1答えて

    predict()関数を使用して線形回帰モデルをvaldidateしようとしています。私は校正と検証データセットを使っています。 predict()の出力としてR^2を得る方法はありますか?私はそれを私の校正セットの要約と比較したいと思います。 現時点では私はpredict()の出力を理解していません。私のコードの一部だ : model<-lm(y~x, data=daten) model

    -1

    1答えて

    私は、入力行列があります。 let t = [ [0,1,0], [0,1,0], [0,0,0] ] 私はSVDを計算したいです。私が行います A=np.array([[0,1,0],[0,1,0],[0,0,0]]) np.linalg.svd(A)[0] 出力::私は、Python、numpyの中で同じ手順を実行します let U =

    0

    1答えて

    に変換します。 私はMathサイトの親切にも(Python形式の)hereという共有サイトのコードを変換しようとしています。私は数学では大したことではありませんが、元のPythonコードではなく、直線的に出力が上がっているように私はここで何か間違っていると思います。何が間違っているのですか?この種の微積分を経験した方がJavascriptに変換するのに役立ちますか?ありがとう! Pythonコード

    1

    2答えて

    テンソルフロー1.01に取り組んでいます。 私が見つけ例を変更しようとしています: https://github.com/nfmcclure/tensorflow_cookbook/tree/master/03_Linear_Regression/07_Implementing_Elasticnet_Regression 私のモデルは同じ方法、具体的には、私はモデルの損失に別のL0のペナルティ項を

    2

    1答えて

    私はPoints[]の配列を渡しているので、交点を求める必要があります。私のテストでは、常に「交差していない」ことを示す座標セットが見つかりました。これを考慮する方法が必要です。与えられた座標の下で、交点を計算するためにC#の公式/方程式はどうなるでしょうか? private void button1_Click(object sender, EventArgs e) { Point[

    0

    1答えて

    入力に関するNNのヤコビアンを計算して評価したいと思います。私はヤコビアンを構築するのにかかる時間についてはあまり気にしません。私はヤコビアンの評価にもっと関心があります。 weights = { 'w1': tf.Variable(tf.random_normal([num_input, num_hidden_1])), 'w2': tf.Variable(tf.random

    -4

    1答えて

    11年間293サイトのデータがあり、各サイトで線形モデルを全年にわたって実行し、取得した勾配値を抽出して追加したいデータに追加します。 、と呼ばれる年また、私は取得したいのですが、可能な場合 2005 2006 2007 2008 2009 2010 2011 2012 2013 2014 2015 1 20.8 16.5 21.2 24.6 23.2 26.4 23.8 24.9

    0

    1答えて

    は、私たちは lnrreg = LinearRegression() scores = cross_val_score(lnrreg, X, Y, cv=4, scoring='neg_mean_squared_error') ような単純な線形回帰で相互検証を行うことができますことを知っている。しかし、我々は、より高次の線形回帰にcross_val_score()をどのように行うのですか?

    0

    2答えて

    たとえば、[1,2,3,4,5]というベクトルが与えられた場合、ある長さの線形補間を使ってベクトルをアップサンプリングする方法をPythonで45 。

    0

    1答えて

    私はこのような目的関数にしたいのジャンプを使用した: @objective(m, Max, 19*run[1] + 15*run[2] + 15*run[3]) ... 19、15および15は、活動のユーティリティで、[i]を実行するアクティビティあれば記述するバイナリジャンプ変数であります実行されるべきかどうか。 @myObjective(M: それはユーティリティのリストを与えられたので、