Modelling skills Part 2 Introduction to Research

Modelling skills Part 2YouTube↗ IA↗(long shot)
People & Blogs 4.5K views 4 likes 2 dislikes 28 Jan 2016

Introduction to Research - I 8.5K subscribers N/A YouTube↗

R सत्रात आपले स्वागत आहे जे व्याख्यान मॉडेलिंग कौशलल्यात भर घालते.

మోడలింగ్ స్కిల్స్ (Modelling Skills) ఉపన్యాసంను సమిష్టిగా అందించే R సెషన్కు స్వాగతం.

या सत्रात आपण दोन उदाहरणांद्वारे

ఈ సెషన్లో, మేము రెండు ఉదాహరణలు ద్వారా

कार्य करू. पहिल्या उदाहरणात, आम्ही

పని చేస్తాము; మొదటి ఉదాహరణలో, మేము క్లుప్తంగా

CO 2 डेटा संच घेतो. जे आपण थोडक्यात

డేటా ఎనాలిసిస్ (data analysis) సెషన్లో చూచిన

डेटा विश्लेषण सत्रात पाहिले होते. पुन्हा एकदा, आम्ही R पासून एक स्वच्छ स्लेट

CO 2 డేటా సమితిని తీసుకుంటాము. మరోసారి, మేము R నుండి ఒక క్లీన్ స్లేట్లో ప్రారంభం మరియు ప్రాథమిక ప్యాకేజీతో వచ్చే

सह सुरू आणि बेस संकुल सह CO 2 डेटा संच लोड

CO 2 డేటా సమితిని లోడ్ చేస్తాము. CO 2 డేటా సమితి కేవలం ఒక ప్యాకేజీతో ఉండకూడదు

करा. नेहमी लक्षात ठेवा की CO 2 डेटा संच

అని గుర్తుంచుకోండి, మీరు లోడ్ చేసేటప్పుడు అవి ఇతర ప్యాకేజీలు, మీరు అదే డేటా సమితిని

केवळ एका पॅकेजसह नसावा, ते जेव्हा

కూడా కలిగి ఉండవచ్చు. నేను డేటా సెటెస్ అని పిలువబడే బేస్

आपण लोड करतात तेव्हा इतर पॅकेज असतात,

ప్యాకేజీతో వచ్చే CO 2 డేటా సమితిని సూచిస్తున్నాను.

आपल्याकडे समान डेटा सेट देखील असू शकतो.

కాబట్టి, ఇది CO 2 డేటాను లోడ్ చేసింది.

मी CO 2 डेटा सेटचा संदर्भ देत आहे जो डेटा सेट्स चे बेस पॅकेज आहे. त्यामुळे, CO 2 डेटा

మరియు చివరిగా మేము పని చేసిన అదే డేటాను అనుగుణంగా ఉంచడానికి. కేవలం ప్లాట్లు చూడండి మరియు మీరు ఇది నిజంగా అదే ఒకటి గమనించి ఉండాలి.

लोड झाला आहे. आणि खरंच आम्ही त्याच

ఇది ఒక లినియర్ ట్రెండ్ (linear trend) ని కలిగి ఉంటుంది,

वेळी शेवटच्या वेळी काम केलेल्या समान

కానీ ఇది ప్రాథమికమైన ధోరణిని కలిగి ఉంటుంది,

डेटाची पुष्टी करण्यासाठी फक्त प्लॉट कडे पहा आणि आपण लगेच लक्षात घ्या की हे खरंच आहे.

కానీ ఇది ఒక క్వాడ్రాటిక్ ట్రెండ్ (quadratic trend )లేదా ఒక క్యూబిక్ (cubic) కావచ్చు, మీకు తెలియదు, కానీ ఖచ్చితంగా ఇది సమయం యొక్క ధోరణిని కలిగి

त्याच्याकडे एक रेखीय प्रवृत्ती आहे, कमीतकमी प्रथमदर्शनी, परंतु ती एक वर्गसमीची प्रवृत्ती किंवा क्यूबिक एक असू शकते,

ఉంటుంది. దాని పైభాగంలో, మేము మోడల్ చేయాలనుకుంటున్న ఒక ధోరణి ధోరణిని కూడా కలిగి ఉన్నాము. ఆపై, అది కూడా మోడల్ చేయబడటానికి ఒక స్టాహస్టిక్

కంపోనెంట్ (stochastic component) కావచ్చు.

आपण ओळखत नाही, परंतु निश्चितपणे त्याच्याकडे

కాబట్టి, ఇక్కడ గోల్ సిరీస్ను మోడల్ చేయడమే,

वेळचा कल फंक्शन आहे. या शीर्षस्थानी,

అందుచే నేను CO 2 స్థాయిలు అంచనా వేయడానికి

आम्ही एक ओसील्लोरी (oscillatory) कल देखील आहे,

ఆ మోడల్ను ఉపయోగించవచ్చు. సంపూర్ణ మోడలింగ్ వ్యాయామం ద్వారా మేము వెళ్ళలేము, ఎందుకంటే మోడలింగ్

ज्याची आपल्याला रचना करायला आवडेल,

వ్యాయామం కూడా యాదృచ్ఛిక ప్రక్రియల యొక్క

त्यावर एक स्टॉकेस्टिक (stochastic) घटक असू शकतो

సిద్ధాంతం కోసం కూడా పిలుస్తుంది, ఇక్కడ మేము యాదృచ్చిక భాగాలు ఎలా నమూనా చేయాలో

जे मॉडेल केले पाहिजे.

నేర్చుకుంటాం. నేను మాత్రమే ధోరణి మరియు ఊగిసలాట భాగంగా

तर, येथे ध्येय हे मालिकेसाठी मॉडेल

మోడల్ ఎలా మీరు చూపిస్తుంది, మరియు అప్పుడు మిగిలిన

करणे आहे, जेणेकरून मी CO2 च्या पातळीची

కొన్ని ఇతర కోర్సు కోసం రిజర్వు లేదా

अंदाज घेण्यासाठी त्या मॉडेलचा वापर

మీరు ఇప్పటికే తెలిసిన ఉంటే, మీరు ముందుకు

करू शकेन. आम्ही संपूर्ण मॉडेलिंगच्या उदाहरणातून

వెళ్లి దీన్ని చేయవచ్చు. కాబట్టి, ఇక్కడ మేము చేయబోయే మొదటి విషయం

जाणार नाही, कारण एक संपूर्ण मॉडेलिंग

ఏమిటంటే ధోరణి మోడల్గా ఉంటుంది, ధోరణి సమయం

उदाहरण यादृच्छिक प्रक्रियांच्या काही सिद्धांतासाठी देखील कॉल करू शकते,

యొక్క పనితీరు. కాబట్టి, సమయం రిగ్రెస్టర్ మరియు CO 2 ఆసక్తి యొక్క వేరియబుల్.

जिथे आम्ही स्टॉकेस्टिक घटक कसे मॉडेल करायचे

లేదా సమయ వెక్టర్ను సమీకరించడానికి మేము సమయ కమాండ్ని ఉపయోగించుకోవచ్చు. మీరు ఇక్కడ గమనించినట్లుగా, పని స్పేస్ ప్యానెల్లో,

ते शिकतो. मी फक्त आपल्याला दर्शवेल की कसे कलम

CO 2 అనేది ఒక సమయ శ్రేణి వస్తువు, మరియు దాని

आणि ओसीलेटरी (oscillatory) भाग मॉडेल करा, आणि

ఎల్లప్పుడూ లక్షణాల్లో ఒకటిగా సమయ ముద్రలను కలిగి ఉంటుంది.

नंतर इतर काही अभ्यासक्रमांसाठी राखीव आहे किंवा

మేము సమయం స్టాంపులు సేకరించేందుకు మరియు Tvec వాటిని సేకరించి - ఇది నేను ఎంచుకున్న

आपण यापूर्वीच परिचित असाल तर आपण पुढे

ఒక వేరియబుల్ పేరు. ఇప్పుడు, R లో LM గా

जाऊ आणि ते करू शकता तर, इथे पहिली गोष्ट

పిలవబడే ఒక నియమిత ఉపయోగించి ధోరణిని మేము తీసివేస్తాము, lm సరళ మోడలింగ్ లేదా

जी आम्ही करू ते म्हणजे आपण कल दर्शविले पाहिजे, जिथे कल हा काळचा फंक्शन आहे.

లీనియర్ మోడల్స్ కోసం ఉంటుంది. ఈ రొటీన్ కింద అంచనా అల్గోరిథం కనీసం చదరపు - ప్రామాణిక కనీసం చతురస్రాల

तर, वेळ एक ऋग्रेचालक आहे आणि CO 2 हितसंबंधित

అల్గోరిథం - చాలా ఇతర లక్షణాలతో. మీరు ఉదాహరణకు, డేటా యొక్క ఉపసమితిని

वेरिएबल आहे. किंवा टाइम व्हेक्टर काढण्यासाठी आपण time कमांड वापरू शकतो. आपण येथे येथे

ఉపయోగించి మాత్రమే మోడల్ చేయగలదు, మీరు బరువులు మరియు అలాంటి వాటిని సరఫరా చేయగలవు, కానీ మేము lm యొక్క అత్యంత సాదా లేదా

लक्षात घेतल्याप्रमाणे, कार्यक्षेत्र पॅनेलमध्ये,

వనిల్లా సంస్కరణను ఉపయోగించబోతున్నాము.

CO 2 एक वेळ मालिका ऑब्जेक्ट आहे, आणि म्हणून नेहमी

మరియు ఈ మోడల్ను లీన్ CO 2 గా పిలుద్దాం

त्याची एक विशेषता म्हणून वेळ नोंदणी

- నేను ఎంచుకున్న ఒక వేరియబుల్ పేరు మాత్రమే.

असणार आहे. आम्ही वेळ नोंदणी काढू

మరియు నేను ఇక్కడ ఏమి చేస్తున్నానో మీకు చూపిస్తాను.

आणि त्यांना tvec मध्ये साठवू- हे मी निवडलेल्या फक्त एक चलने नाव आहे. आता, आम्ही आर

నేను చెప్పే సూత్రాన్ని నేను ఇక్కడ చెప్పాను. ఇప్పుడు మనము సూత్రము ద్వారా, CO 2 మరియు tvec ఇది రిగ్రెస్టర్ అయిన వేరియబుల్ వేరియబుల్ మధ్య సంకేత సంబంధము.

मध्ये एलएम म्हणून ओळखल्या जाणार्या

నేను ఒక అంతరాయం పదం అలాగే ఉందని

नियमित शब्दाचा वापर करून हा कल काढू शकतो,

నాకు చెప్పడం లేదు. కాబట్టి, ఒక అంతరకాలిక పదం ఉందని అర్థం చేసుకుంటుంది. ఇంకొక వైపు, నేను అంతరాయం కాలికకు

एलएम म्हणजे रेखीय मॉडेलिंग किंवा रेखीय

అనుకుంటాను - కొన్ని కారణాల వలన నాకు

मॉडेल. या नियमानुसार खालील अंदाज अल्गोरिदम

ఏ అంతరకాలిక పదము లేదు - అప్పుడు నేను ఈ వాక్యనిర్మాణాన్ని వాడవచ్చును, అయితే

किमान चौरस-मानक किमान स्क्वेअर अल्गोरिदम

అంతరాయం లేకపోయినా మనకు తెలియదు; వాస్తవానికి,

आहे- तसेच बर्याच इतर वैशिष्ट्यांसह. उदाहरणार्थ, आपण केवळ सबसेट डेटाचा

మేము విషయాలను దృష్టిలో ఉంచుతాము, కానీ అడ్డంకి ఉంటే మాకు చెప్పడానికి మొదట అల్గోరిథం మీద ఆధారపడనివ్వండి.

उपयोग करून मॉडेल करू शकता, आपण वजनाची

కాబట్టి, ఈ మోడల్ ఇప్పుడు మనకు ఉంది. ఇప్పుడు, మేము ఈ మోడల్ పరిశీలించడానికి

किंमत मोजू शकता, आणि आम्ही त्यास

మరియు మేము మరింత ముందుకు చేయటానికి అది చెయ్యాలి. సంగ్రహ కమాండ్ అనేది ఒక బహుళార్ధసాధక

एलएम ची सर्वात साधा किंवा व्हॅनिला आवृत्ती वापरणार आहोत. आणि आपण या मॉडेलला 'लिन

ఆదేశం, ఇది వివిధ రకాలైన వస్తువులకు వర్తిస్తుంది; లిన్ CO 2 ఒక lm రకం వస్తువు, ఇది ప్రాథమికంగా మోడల్ రకం వస్తువు

सीओ 2' म्हणून संबोधूया - हे फक्त एक व्हेरिएबल

మరియు దానికి పలు భాగాలు ఉన్నాయి. కానీ మొట్టమొదటి సారాంశాన్ని చూద్దాం

नाव आहे जो मी निवडत आहे. आणि मी तुम्हाला

మరియు దాన్ని తెస్తుంది ఏమిటో చూద్దాం. వారు ఇవన్నీ ఇదే విషయం చెబుతున్నారు. మీరు ఒక పరికల్పన పరీక్ష వీక్షణ పాయింట్

दाखवतो की मी इथे काय करत आहे. तर, मी

నుండి దీనిని చూడవచ్చు లేదా మీరు పారామితుల కొరకు ప్రాముఖ్యత పరీక్ష నుండి చూడవచ్చు;

म्हणेन की मी मला जो सूत्र देतो तो

మనకు చెప్పడానికి ప్రయత్నిస్తున్న ఏమైనా పారామితులను విస్మరించలేము. అందువలన, ఈ సరళ మోడల్ నెమ్మదిగా మరియు

पुरवतो.

అంతరాయం కలిగి ఉండాలి.

आता सूत्रानुसार आपण अनुमानित वेरियेबल

ఇప్పుడు ప్రశ్న - ఈ సరళ నమూనా సరిపోతుందా?

मध्ये सिंबॉलिक संबंध आहे जो सीओ 2 आणि रेग्रेसर

ఈ సరళమైన మోడల్ దానిపై ముఖ్యమైన పారామీటర్స్ (parameters)గా గుర్తించాము. ఇప్పుడు, అలా చేయటానికి, మనం అవశేషాలను చూడవచ్చు;

आहे जो tvec आहे. मी एलएम ला सांगण्याची गरज

ఉదాహరణకు, మేము అవశేషాలను ప్లాట్ చేస్తాము; R స్టూడియో గురించి మంచి విషయం, నేను టైపింగ్ చేస్తున్న క్షేత్రం లిన్ CO 2

नाही की इंटरसेप्ट टर्म देखील आहे. म्हणून,

నమూనాలో చెల్లుబాటు అయ్యే క్షేత్రం అని మీకు చెబుతోంది. మరియు అప్రమేయంగా, ఇది ఒక చెల్లాచెదరు

हे समजण्यासारखे आहे की इंटरसेप्ट

ప్లాట్లు ప్లాట్ ఉండవచ్చు. కాబట్టి, మేము ఒక లైన్ ప్లాట్లు ప్లాట్లు.

टर्म आहे. दुसरीकडे, जर मी इंटरसेप्ट

కాబట్టి, ఇక్కడ సరళ ధోరణి తీసివేయబడిందని మీరు చూడవచ్చు, కానీ అది కొన్ని రకముల

टर्म करू इच्छित नाही - काही कारणाने मला विश्वास आहे की इथे व्यत्यय नाही

ధోరణులను కలిగి ఉంది, ఎందుకంటే ఆ ఫ్రీక్వెన్సీ (frequency)యొక్క స్వచ్ఛమైన సైన్ వేవ్(sign wave) అలాంటి ఆకారాన్ని కలిగి ఉండదు; మనం కూడా ఒక చతురస్ర నమూనాకు తగినట్లుగా ఉండవచ్చు

- मग मी हे सिन्टॅक्स वापरु शकतो, परंतु

మరియు అవశేషాలు మెరుగ్గా ప్రవర్తిస్తుందా అని మరియు పరిశీలించండి. కాబట్టి, ఒక చతురస్రాకార మోడల్ నిర్మించడానికి,

सध्या तरी माहिती मिळत नाही किंवा नाही; नक्कीच, आपण अंध असलेल्या गोष्टींवर

మీరు ఇక్కడ ఈ సింటాక్స్ (syntax)ద్వారా వెళ్ళవచ్చు, మరియు మీరు దగ్గరగా శ్రద్ధ చెల్లించటానికి కావలసిన ఏదో ఉంది. మళ్లీ అదే కథ; మేము

विचार करू शकतो, परंतु प्रथम आम्हाला अल्गोरिदम वर विसंबून राहू द्या. तर, हे आपल्याजवळ

lm ను ఉపయోగిస్తాము, అంచనా వేరియబుల్ మరియు రిగ్రెసర్( regressor) మధ్య సంబంధాన్ని పేర్కొనండి; రిగ్రెస్టర్( regressor) మా సమయం వెక్టార్ మామూలుగా ఉంది. ఈ సమయంలో మేము ఒక చతురస్ర

असलेले मॉडेल आहे. आता, आम्ही या मॉडेलचे परीक्षण करू शकतो आणि पुढे जाण्यासाठी

నమూనాను నిర్మించాలనుకుంటున్నాము. కాబట్టి, మా మోడల్ y అనేది కొన్ని, ఒక 0 ప్లస్ 1 t ప్లస్ 2 t స్క్వేర్. ఒక 0 నిశితంగా ఉండటాన్ని అర్థం చేసుకుందాం,

आपण ते केले पाहिजे.

కనుక మనం ఇక్కడ tvec ను ఫార్ములాలో సరఫరా

सारांश आदेश एक बहुउद्देशीय आदेश आहे जो विभिन्न

చేస్తున్నాం, lm ను ఒక 1 లకు సరిపోయేలా చేసి, ఆ తరువాత మేము Tvec స్క్వేర్ యొక్క

प्रकारचे वस्तूंना लागू होतो; लिन CO 2 हा lm प्रकारचा ऑब्जेक्ट आहे, मुळात तो एक मॉडेल प्रकारचा ऑब्जेक्ट आहे आणि त्यात त्याच्याकडे कित्येक घटक आहेत. पण प्रथम आपण सारांश

ఈ వాక్యనిర్మాణాన్ని ఉపయోగించాము. ఇది తప్పనిసరిగా R కి చెబుతుంది, tvec చదరపు మరొక రిగ్రెజర్ (regressor); మనము దీనిని

पहा आणि ते काय बाहेर आणले आहे हे पाहू. तर, सर्वात वर, हे सूत्र आपल्याला देते जे मूलत: प्रतीकात्मक संबंध आहे जे आम्ही

చేయకపోతే, మరియు బదులుగా T చేత T ప్లస్

मॉडेलिंग करत आहोत. आणि मग, ते आपण अवशिष्ट वर काही आकडेवारी देते, मध्यक आणि इतकेच काय तर. आपण शून्य क्षेचे अवशेष आहेत की नाही याबद्दल काही कल्पना आहे,

tvec చతురస్రాన్ని R చేస్తాను, అది tvec plus tvec square ను జతచేస్తుంది, మరియు ఒక రిగ్రెజర్ (regressor) వలె చికిత్స చేస్తుంది మరియు మనకు ఆల్రైట్ కావాలి కాదు. కాబట్టి, ఎల్లప్పుడూ

గుర్తుంచుకోండి, మీరు ఒక వేరియబుల్

यापलीकडे किती श्रेणी आहे, पण आपण त्याकडे

ఎక్సప్లనెటరీ (explanatory variable) నుండి రిగ్రెసర్స్ను

परत या. आमच्यासाठी प्राथमिक व्याज अंतरावर

(regressor) సృష్టిస్తున్నప్పుడు - ఇక్కడ సమయం వెక్టార్

आणि उतारांचा अंदाज आहे आम्ही एक रेखीय

- అప్పుడు మేము వాక్యనిర్మాణాన్ని అనుసరించాలి. రేపు మీరు Tvec కలిగి ఉండవచ్చు ప్లస్ క్యూబిక్

मॉडेल बसला आहे. आणि येथे आपण बघू शकतो,

టర్మ్ (cubic term ) లేదా ఒక లాగరిథమ్ టర్మ్

येथे गुणकांच्या खाली चार कॉलम आहेत.

(logarithm term) అలాంటిదే కావచ్చు; అన్నింటికంటే - ప్రతి రిగ్రెజర్ (regressor) - ఇదేవిధంగా

पहिला स्तंभ आपल्याला अंदाज देतो; दुसरा

ఇదేవిధంగా ఉంటుంది. కాబట్టి, మనకు మోడల్ ఉంది. ఇప్పుడు మనము మరలా క్వాడ్రాటిక్ మోడల్ను(quadratic

कॉलम आपल्याला मानक त्रुटी देतो कारण

model) చూడవచ్చు మరియు పరామితి అంచనా వేస్తుంది.

आपण एक सिग्मा एरर किंवा संबंधित अनुमानांमध्ये

వాస్తవానికి, సాంకేతికంగా చెప్పాలంటే, మేము మొదట అవశేషాలను చూడాలి, ఆపై పారామీటర్(parameter)

सरासरी एरर कॉल करतो. आणि मग, अंतिम दोन

అంచనా వేయాలి, కాని మేము దీని నుండి కొంచెం విచలనం చేస్తున్నాము. కాబట్టి, మళ్ళీ, ఇక్కడ నాకు నక్షత్రాలు

या अंदाजपत्रकास आकडेवारीशी संबंधित

సూచిస్తాయి లేదా p విలువలు పారామితి

आहेत आणि तारे देखील येथे आहेत. तर, आपण

అంచనాలు ముఖ్యమైనవి అని సూచిస్తాయి. అనగా, మేము నల్ హ్య్పొథెసిస్ (null hypothesis) ను తిరస్కరించవచ్చు,

हे सर्व कशाबद्दल आहे हे लगेच समजून घेऊ. त्यामुळे, अंदाज, नक्कीच, आम्ही वाचू

నా మోడల్లోని ప్రతి నిబంధనలను 0 అడ్డుకుంటూ, 1 - t కు అనుగుణంగా ఉన్న మొదటి గుణకం; ఒక 2

शकतो; स्वत: अंदाजानुसार बर्याचशा माहितीचे

- రెండవ గుణకం సంబంధిత t స్క్వేర్, అన్ని సున్నా కాదు లేదా అంచనాలు తాము ముఖ్యమైనవి.

पालन करत नाही, त्यांना मानक त्रुटीच्या

దురదృష్టవశాత్తు, ఈ సందర్భంలో నిజమైన

संदर्भात अर्थ लावणे आवश्यक आहे. तर, मला

మోడల్లో మాకు లేదు. నాకు తెలియదు లేదా ఈ CO 2 ఎలా ఉత్పత్తి చేయబడిందో మాకు తెలియదు.

याचा अर्थ असा आहे की, अंदाज असा आहे

వాస్తవానికి మేము సరిపోయే ప్రయత్నిస్తున్న నమూనాలు బహుశా చాలా సంక్లిష్టంగా ఉంటాయి;

की हा अंदाज खूपच कमी आहे, तर आपण निष्कर्षापर्यंत

గుర్తుంచుకోండి. కాబట్టి, పోల్చడానికి ఎటువంటి నిజం లేదు మరియు అందుకే మేము ఈ పరికల్పన పరీక్ష

पोहोचू शकत नाही की अनुमानाचा दुर्लक्ष

ద్వారా వెళ్ళాము; వాస్తవానికి, మేము నిజం తెలిస్తే, ఈ మోడలింగ్ వ్యాయామం

केला जाऊ शकतो. समजा उतार पडतो 10 वीज कमी

వ్యర్థమైనది. కాబట్టి, సారాంశం ద్వారా నివేదించబడిన ఇతర భాగాల సమూహం ఇక్కడ ఉంది, కాని

4; त्यात काही एकके आहेत; म्हणून, हे युनिट्सवर

దానికి వెళ్ళడానికి సరళ రిగ్రెషన్లో మంచి ఉపన్యాసాలు అవసరమవుతాయి, అందుచే నేను తప్పించుకున్నాను.

संवेदनशील असणार आहे. तर 10 वीज मायनस

కానీ మీరు ఇప్పటికే సుపరిచితులైతే, మీరు సమాచారాన్ని ఈ పావులను ఆనందిస్తారు మరియు

4 च्या ऑर्डरची काही किंमत त्याच्या अर्थाने

ఈ విశ్లేషణ నుండి మరింత అర్ధం చేసుకోవచ్చు. కాబట్టి, మరోసారి అవశేషాలను చూద్దాం

अर्थपूर्ण करीत नाही किंवा जोपर्यंत त्यास

మరియు ఈ సమయంలో ధోరణిని చూద్దాం - చతురస్ర ధోరణి - కుడివైపు అదృశ్యమయ్యింది.

मानक त्रुटीच्या संदर्भात अर्थ लावता

కాబట్టి, ఈ సమయంలో, మేము అవశేషాలను చూస్తాము;

येत नाही. तर, येथे मानक त्रुटी स्वतः

అవును ధోరణి అదృశ్యమయ్యింది. వాస్తవానికి, ఒక క్యూబిక్ ఒకటి, మేము అది చేయగలదు, తరువాత కొనసాగండి మరియు

अंदाजापेक्षा खूपच कमी आहे. या अनुमानांना

నాల్గవ క్రమంలో బహుపది ధోరణి మరియు దానిపై

लक्षणीय मानले जाणे हे सांगणे, याचा अर्थ

ఉంటే తనిఖీ చేసుకోవచ్చు. నేను నీకు వదిలిపెట్టాను; ఇప్పుడే ఎలా చేయాలో

असा की आपण खरोखर त्यांना नगण्य किंवा

నేను మీకు చూపిస్తాను. మనం తదుపరి దశకు వెళ్దాం, మనం అవశేషాలను విశ్లేషిస్తాము.

सैद्धांतिकदृष्ट्या शून्य असणार नाही.

ఇప్పుడు కోసం, మేము క్వాడ్రాటిక్ (quadratic)

आता टी व्हॅल्यू कॉलम ही अशी एक गोष्ट

ధోరణి మాత్రమే ధోరణి అని ఊహించుకోవటం, కానీ మీరు అలా కాదు, ముందుకు వెళ్ళి ఒక

आहे जी मी नाही जाणार, ती गृहितक चाचणीशी

క్యూబిక్(cubic) ధోరణి సరిపోయే. మేము చతురస్ర ధోరణి మాత్రమే ఒకటి మరియు అవశేషాలను విశ్లేషిస్తామని మేము భావిస్తాము.

संबंधित आहे. तर, कदाचित गृहितक चाचणीच्या

ఇప్పుడు, మేము ఈ అవశేషాలను ఇక్కడ చూస్తున్నప్పుడు,

प्रक्रियेत असू शकते, आपल्याला याबद्दल

మనం ఒక అస్సైలేటరీ(oscillatory) ప్రవర్తనను స్పష్టంగా చూడవచ్చు, దీని అర్థం ఇప్పుడు ఈ డోలనం

बर्याच तपशील सापडतील.

యొక్క ఫ్రీక్వెన్సీ (frequency) గ్రహించడానికి

अंतिम स्तंभ, पी मूल्य म्हणून ओळखले जाते

ప్రయత్నించవచ్చు; దీని అర్థం, CO 2 స్థాయికి

काय अहवाल; आणि पी मूल्य पुन्हा या

ఇది ఒక ఆవర్తనాన్ని కలిగి ఉంటుంది. ఇది కొంత సమయం తర్వాత కూడా పునరావృతమవుతుంది.

पॅरामीटरचे अनुमान काढण्याची संभाव्यता

ఇప్పుడు, ఎలా మేము ఫ్రీక్వెన్సీ సేకరించేందుకు

आहे, शोधणे, आम्हाला मिळालेल्या गोष्टींपेक्षा

లేదు? నేను ఈ విజువల్లీ (visually) గా చేయగలను, కానీ

अधिक अंदाज प्राप्त करणे, परंतु तपशीलामध्ये

అది చాలా రూడిమెంటరీ (rudimentary) విశ్లేషణగా ఉంటుంది.

खूप न उघडता, साध्या व्याप्ती म्हणजे,

బదులుగా ఫోరియర్ ట్రాన్స్ఫార్మ్ రూల్ (Fourier Transform rule) వాడండి. మీకు తెలిసివున్న ఎన్నో విషయాలు నాకు

जर पी मूल्य अत्यंत कमी असेल तर शून्य

తెలియవు, కానీ మీరు లేకపోతే, ఫ్యూరియర్ ట్రాన్స్ఫార్మ్స్ ఒక సాధారణ పద్ధతిలో

असेल पॅरामीटर्स खरोखर शून्य मूल्य

గుర్తించటానికి అనుమతిస్తుంది, ఇది పవర్ స్పెక్ట్రం (power spectrum) లేదా పవర్

आहेत गृहीतात येथे पॅरामीटर काय आहेत?

స్పెక్ట్రల్ డెన్సిటీ (power spectral density) అని పిలవబడుతుంది.

इंटरसेप्ट आणि स्लोप, आणि हे विश्लेषण

సిగ్నల్ యొక్క మొత్తం శక్తికి సిగ్నల్ లోపల వేర్వేరు ఫ్రీక్వెన్సీ భాగాలు.

संपूर्ण उद्देश गृहीत चाचणी आहे - वैयक्तिक पॅरामीटर्स खरोखर शून्य आहेत की म्हणून,

మరియు ఒక సైద్ధాంతిక ప్రాతిపదిక కలిగిన బొటనవేలు యొక్క సరళమైన నియమం, నేను ఒక నిర్దిష్ట పౌనఃపున్యం వద్ద ఒక శిఖరం చూసినట్లయితే

जेव्हा पी मूल्य खूपच कमी असेल तेव्हा,

ఒక పవర్ స్పెక్ట్రల్ ప్లాట్ (power spectral plot) ప్లాట్

पॅरामीटर्सचे शून्य मूल्य असावे अशी

ఉంటుంది, అప్పుడు ఆ ఫ్రీక్వెన్సీ భాగం సిగ్నల్లో గణనీయంగా ఉంటుంది.

शून्य अनुवांशिकता नाकारली जाणे आवश्यक

ఇప్పుడు R లోని బేస్ ప్యాకేజీ స్పెక్ట్రల్

आहे. आणि जर आपल्याला आठवत असेल, तर आपण

విశ్లేషణ లేదా ఫోరియర్ విశ్లేషణను నిర్వహించడానికి ఉపకరణాలతో వస్తాయి; స్పెక్ట్రం అని పిలువబడే

एक वाक्यांश वापरतो - जर पी मूल्य कमी

ఆదేశం ఉంది, కాని నేను టైమ్ సిరీస్ విశ్లేషణ ప్యాకేజీని ఇష్టపడతాను మరియు

असेल तर शून्य अनुपालन पाहिजे.

ఇది TSA అని పిలుస్తుంది.

तर, हे लक्षात ठेवण्यासाठी फक्त एक आकर्षक शब्द

మరియు అది నేను లోడ్ చేయబోతున్నాను, ఎందుకంటే ఇది ఒక చక్కగా రేపర్ లేదా చక్కగా చుట్టి

आहे. आणि येथे तीन तारा आपल्याला कळवीत

రొటీన్ కలిగి ఉంది, ఇది బేస్ స్పెక్ట్రం

आहेत की पॅरामीटर अनुमान महत्वपूर्ण

విశ్లేషణ చేయడానికి నిర్మించబడింది. (రిఫర్ స్లయిడ్ టైం Refer Slide Time: 14:43)

आहेत. ते सर्व एक गोष्ट सांगत आहेत; आपण ते

కాబట్టి, నేను TSA ప్యాకేజీని లోడ్ చేసాను, మరియు మీరు ఉండాలి ... మీరు ఈ రకమైన ప్రదర్శనని

गृहीत चाचणी पाहण्याच्या बिंदूपासून पाहू

చూడాలి.

शकता किंवा आपण पॅरामिटर्ससाठी एका महत्त्वपूर्ण

ఇప్పుడు, నేను R లో కొత్త ప్యాకేజీని లోడ్ చేస్తున్నప్పుడు, కొత్త ప్యాకేజీలో

चाचणीवरून ते पाहू शकता; एकतर ते आम्हाला

ఉన్న కొన్ని నిత్యకృత్యాలు ఇప్పటికే ఉన్న లేదా ప్రాథమిక ప్యాకేజీలో నిత్యప్రయాణాలతో అదే పేరును పంచుకునే అవకాశం ఉంది. మరియు

सांगण्याचा प्रयत्न करत आहे की पॅरामीटर्सच्या

R ఈ కింది వస్తువులను ఇప్పుడు ఈ ప్యాకేజీ

व्यावहारिक अंदाजांकडे दुर्लक्ष करू शकत

నుండి గుర్తించబడుతున్నాయని మీకు హెచ్చరిక ఇస్తుంది. కాబట్టి, ప్రాథమికంగా, వారు మీకు చెప్తున్నారంటే

नाही. म्हणून, या रेखीय मॉडेलला दोन्ही धीमे

మీకు ఆసక్తి ఉంటే, ఈ రెండు ప్యాకేజీల మధ్య అతివ్యాప్తి చెందుతుంది. కాబట్టి, మీరు జాగ్రత్తగా ఉండవలసి ఉంటుంది,

आणि व्यत्यय असणे आवश्यक आहे. आता प्रश्न

కానీ, ఏమైనప్పటికీ, మనము దానిని వెళ్లలేము. కానీ నేను మీకు చెప్పాలనుకున్న ఒక విషయం ఏమిటంటే,

आहे - जर हे रेखीय मॉडेल पुरेसे असेल?

TSA ప్యాకేజీలో CO 2 డేటా సమితి కూడా ఉంది,

आम्ही शोध केला आहे की या रेखीय मॉडेल

ఇది మేము పని చేస్తున్న CO 2 డేటా నుండి కొంత

वर महत्त्वाचे मापदंड आहे. आता, असे करण्यासाठी,

భిన్నంగా కనిపిస్తుంది. ఏమైనా, కాబట్టి, త్వరలోనే పెరియోడోగ్రామ్ (periodogram) గా చూద్దాం, ఆదేశం పెరియోడోగ్రామ్

आम्ही रेसिडियल्स पाहू शकतो; उदाहरणार्थ,

(periodogram)గా ఉంటుంది. మరియు నేను ఇక్కడ నేరుగా అవశేషాలను

आम्ही उर्वरित प्लॉट करू शकलो; आर स्टुडिओ

నేరుగా లాంచ్ చేస్తాను, క్వాడ్ CO 2 డాలర్ అవశేషం

बद्दलची छान गोष्ट म्हणजे हे सांगते

యొక్క పెరియోడోగ్రామ్ (periodogram)గా; మీరు ఒక డాలర్ ఆపరేటర్ను భాగాన్ని సేకరించేందుకు ఉపయోగిస్తున్నారని

की मी जे क्षेत्र टाइप करत आहे ते लिन

మీరు చూడవచ్చు. మరియు అందంగా అది నాకు సిగ్నల్ యొక్క

सीओ 2 मॉडलमध्ये एक वैध फील्ड आहे किंवा

ఫ్రీక్వెన్సీ కంటెంట్(frequency content) చూపిస్తుంది. కాబట్టి, ఇక్కడ ఈ ప్లాట్లు అనువదించడానికి

नाही. आणि डीफॉल्टनुसार, हे एक स्कॅटर प्लॉट प्लॉट करू शकते. तर, आपण एक प्लॉट प्लॉट

మార్గం నేను శక్తి కలిగి ఉండే x- అక్షం మీద ఉంది మరియు క్షమించండి, y- యాక్సిస్కు నేను శక్తి కలిగి ఉన్నాను మరియు x- అక్షంకు నేను

प्लॉट करू. तर, आपण येथे काढलेले रेषीय

ఫ్రీక్వెన్సీ(frequency)ని కలిగి ఉన్నాను. మరియు అది ప్రధానంగా నాకు చెప్పడం ఉంది

कल पाहू शकता, परंतु ते काही वर्गसमीच्या

ఈ ఫ్రీక్వెన్సీ(frequency) వద్ద, సుమారు, నేను

रूद्राक्षांसारखे दिसते आहे कारण त्या

గరిష్ట శక్తి కలిగి; మరియు ఇది స్పష్టంగా,

वारंवारतेच्या शुद्ध साइन लहरमध्ये त्यासारखे

అక్కడ ఊహించవలసిన అవసరం లేదు, మనకు

आकार असू शकत नाही; कदाचित आपण एक वर्गसमीचे

ఆసక్తి ఉన్న ప్రధాన పౌనఃపున్య భాగం. కానీ ఈ స్పెక్ట్రల్(spectral) విశ్లేషణ ఏది కూడా

मॉडेल बसू शकतो, आणि उर्वरित किती चांगले वागणूक आहे हे तपासा.

ఒక ఏకాభిప్రాయమైన ఉనికిలో ఉందో వెల్లడిస్తుంది. మరియు ఇది, బహుశా, మంచిది కాదా కాదా

म्हणून, वर्गसमीवी मॉडेल तयार करण्यासाठी,

కాదా? - హార్మోనిక్స్ ఫండమెంటల్స్ (harmonic fundamentals)పూర్ణాంక గుణకాలు.

आपण या सिंटॅक्सद्वारे येथे जाऊ शकता, आणि हे असे काहीतरी आहे जे आपल्याला अधिक

సో, మీరు ఈ పెద్ద ఒక గురించి అనుకుంటే - ఒక ప్రాథమిక వంటి పెద్ద శిఖరం ఇది వద్ద ఫ్రీక్వెన్సీ(frequency) - అప్పుడు సుమారు

लक्ष देणे आवश्यक आहे. पुन्हा तीच गोष्ट;

tinier ఆ యొక్క కుడి ఒక, ఒక హార్మోనిక్ భావించవచ్చు.

आम्ही lm वापरतो, अनुमानित व्हेरिएबल आणि रिग्रेसरमधील

మరియు విలక్షణంగా, హార్మోనిక్స్ ఉనికిని అర్థం రకాన్ని కాని దృగ్విషయం యొక్క

संबंध निर्दिष्ट करतो; रेग्रेसर नेहमीच

రకమైన అర్థం, మరియు అందువలన న, కానీ అది

आपला वेळ वेक्टर आहे. याभोवती आपण

చాలా ఆసక్తికరంగా, ఎందుకంటే దృష్టి

एक वर्गसमीत्स्य मॉडेल बनवू इच्छितो.

మేము ఈ శిఖరం చూడలేరు. సో, మీరు చూస్తారు, గణిత విశ్లేషణ మేము

तर, आपले मॉडेल y आहे, एक 0 अधिक 1 टी प्लस

నిజంగా దృశ్యమానంగా చూడలేము, కానీ అదే సమయంలో దృశ్య పరీక్ష చాలా ముఖ్యం.

2 टी चौरस आहे. 0 ही पूर्णतः समजली जाते,

ఇప్పుడు చాలా తక్కువ ఫ్రీక్వెన్సీ(frequency) నుండి శక్తి ఉత్పాదనలను చూస్తే - సున్నా ఫ్రీక్వెన్సీ(frequency)

म्हणून आपण सादर करतो, आम्ही येथे

దగ్గరికి సమీపంలో - బహుశా చాలా తక్కువ పౌనఃపున్యం ధోరణిని సూచించే కొన్ని ముఖ్యమైన

टीव्हीईक पुरवतो आहोत, ज्यामध्ये

సహకారం ఉన్నట్లు కనిపిస్తోంది, బహుశా

एलएमला 1 ला फिट करण्याकरीता दबाव आहे आणि मग आम्ही

ఇది క్యూబిక్(cubic) ఒకటి ; మా విజువల్(visual) విశ్లేషణ కూడా, వాస్తవానికి, మీరు ప్లాట్లు తిరిగి

या वाक्यरचना I चा tvec स्क्वेअर वापरला

వెళ్తే, ఒక క్యూబిక్ ధోరణిలో ఏదో ఒక రకమైన

आहे. हे अनिवार्यपणे आर सांगते की टीवेस्क

ఉన్నట్లు తెలుస్తోంది. నిజానికి, మీరు క్యూబిక్ ఒక ప్లాట్లు ఉంటే,

स्क्वेअर दुसरा परिक्षेत्र आहे; जर आपण असे केले

నేను మీరు ఒక మూడు కనుగొంటారు చెప్పండి ఉండాలి - ఇది మూడవ గుణకం, ముందుకు గుణకం

नाही आणि त्याऐवजी आपण असे बोलू की आपल्याला

- కూడా ముఖ్యమైనది. కాబట్టి, దీనిని ప్రయత్నించండి, క్యూబిక్

काय करता येईल ते Tvec plus tvec square असेल तर

ఒకటి మరియు నాల్గవ ఆర్డర్ను సరిపోయే ప్రయత్నించండి మరియు విశ్లేషణ ధోరణిని నిజంగా మూడవ ఆర్డర్ లేదా నాల్గవ ఆర్డర్

तो tvec plus tvec square ला जोडू शकतो, आणि त्याचा

బహుపది అనేదానిని మీకు చెబుతుంది మరియు ఆ తరువాత మేము అవశేషాలను ఎలా విశ్లేషించాలో

एक एकल रिग्रेसर म्हणून मानला जातो आणि आपल्याला बरे वाटणार नाही. म्हणून,

నేర్చుకున్నాము, సేకరించేందుకు. కాబట్టి, ఇప్పుడు, మీరు ధోరణిని మరియు సైనోసాయిడ్ను తొలగించడానికి ఈ మోడళ్లను ఉపయోగించుకుంటూ ఉంటారు, అప్పుడు మీరు అవశేషాలను చూడగలరు,

नेहमी लक्षात ठेवा, जेव्हा आपण एकच स्पष्टीकरणात्मक

ఈ సమయంలో నేను ఈ సమయానికి వెళ్లలేను, అయితే

व्हेरिएबलमधून रेग्रेसर्स तयार करत आहात - येथे

మీకు ఎలా కావాలంటే మీకు ఎల్లప్పుడూ వ్రాయవచ్చు మరింత వివరంగా చేయటానికి.

वेळ व्हेक्टर - मग आपण सिंटॅक्सचे अनुसरण

మీకు స్క్రిప్ట్ ను పంపవచ్చు. సరిగ్గా అప్పుడు, కాబట్టి, రెండవ ఉదాహరణకి

केले पाहिजे.

వెళ్దాం.

उद्या तुम्हाला कदाचित टीव्हीसी प्लस कदाचित

మొదటి ఉదాహరణలో, మనము R లో క్రమబద్ధమైన

क्यूबिक टर्म किंवा लॉगरिदम संज्ञा असेल;

రీతిలో సరళ రిగ్రెషన్ను ఎలా నేర్చుకోవాలో నేర్చుకున్నాము.

हे सर्व काही असलेच पाहिजे - प्रत्येक

ఇక్కడ కూడా ఒక లినియర్ రిగ్రెషన్( linear regression)

परिक्षेस - या सारख्याच पद्धतीने आश्रय घेणे

చేయబోతున్నాం, కానీ ఈ ఉదాహరణ మనము చొచ్చుకొనిపోయే

आवश्यक आहे. तर आपल्याकडे एक मॉडेल आहे.

ఉదాహరణగా ఉంటుంది. ఉపన్యాసం. కాబట్టి, ఇక్కడ స్క్రీన్ క్లియర్ చేద్దాం

आणि आता, आपण पुन्हा एकदा वर्गसमीक बिंदू

మరియు తగిన ఉదాహరణ కోసం అవసరమైన డేటాను

पाहू शकतो, आणि पॅरामीटर अनुमान पाहू. अर्थात,

రూపొందించండి. నేను ఏమి చేయబోతున్నానో, ఇక్కడ ఇన్పుట్ను

तांत्रिकदृष्ट्या आपण प्रथम अवशेष बघितले पाहिजे आणि नंतर पॅरामीटर अंदाज लावला, पण त्यातून थोडेसे विचलन काढत

శ్రేణిగా రూపొందిస్తాను, 0.02 దశల్లో 0 నుండి 4 వరకు. సో, నేను UK యొక్క 201 విలువలు కలిగి,

आहोत. तर, पुन्हा, इथे माझ्यासाठी तारे

తదనుగుణంగా నేను శబ్దం ఉచిత ప్రతిస్పందన

दर्शवितात किंवा पी मूल्ये देखील

ఉత్పత్తి చేస్తుంది. మీరు గుర్తు చేస్తే, వెళ్లి స్లిడ్ను

पॅरामीटर अंदाजे लक्षणीय असतात हे दर्शवतात.

సూచించండి, ఇది మీకు శబ్దం ఉచిత భాగానికి

म्हणजेच, आपण निरर्थक गृहीतांना नाकारू शकतो की प्रत्येक नमुन्यात माझ्या पदांना 1 अवरोध, एक 1 - टी गुणोत्तर प्रथम

సంబంధాన్ని లేదా డేటాను అందించే వ్యక్తీకరణను ఇస్తుంది, మరియు ఇది మేము కలిగి ఉన్నది మరియు తరువాత మాకు xk అని పిలవదాము.

गुणांक; एक 2 - दुस-या गुणांकाप्रमाणे

ఇప్పుడు, మేము ఎల్లప్పుడూ చెప్పినట్లుగా, నిజమైన

संबधित टी चौकोन, सगळे शून्य नाहीत

ప్రతిస్పందనకు ఎన్నడూ ప్రాప్తిని పొందలేము, దాని యొక్క కొలవబడిన విలువకు మనకు ప్రాప్యత

किंवा स्वत: लक्षणीय असल्याचे अनुमान

ఉంది. సో, పరిస్థితి వాస్తవిక చేయడానికి,

नाही. आम्ही दुर्दैवाने, या प्रकरणात एक सत्य

ఇప్పుడు మేము శబ్దం చేర్చండి. మరియు మేము ఈ పద్ధతిలో శబ్దం చేస్తాము;

मॉडेल नाही. मला माहित नाही किंवा आम्हाला

మేము గాస్సియన్ పంపిణీ శబ్దం xk అదే పొడవు

हे माहित नाही की हे CO 2 कसे तयार झाले.

యొక్క శబ్దం. మరియు మేము శబ్దం యొక్క వ్యాప్తి సర్దుబాటు శబ్దం నిష్పత్తి సిగ్నల్ చాలా ఎక్కువగా

वास्तविक प्रक्रिया कदाचित नंतर अधिक

ఉంది, మరియు నేను ఇక్కడ చేస్తున్న

क्लिष्ट आहे ज्यामुळे आम्ही फिट करण्याच्या

ఏమిటి. అప్రమేయంగా, నాకు అక్కడ స్కేలింగ్ కారకం లేకుంటే, vk యొక్క వైవిధ్యం ఒకటి

प्रयत्नात आहोत; लक्षात ठेवा. म्हणून

అవుతుంది; ఇది ఒక యూనిట్ అంతర్భేధం

तुलना करण्याची कुठलीही अट नाही आणि म्हणूनच

యాదృచ్ఛిక శబ్దం నేను ఉత్పన్నం చేశారు. కాబట్టి, కొలతలను ఉత్పత్తి చేద్దాం.

आपण या गृहीतेची चाचणी घेतो; अर्थातच,

ఇక్కడ నేను yk xk ప్లస్ vk ను కలిగి ఉన్నాను

जर आपल्याला सत्य माहीत असेल तर हे

మరియు నాకు శబ్దం, శబ్దం లేదా కొలిచిన

सर्व मॉडेलिंगचे कार्य निरर्थक आहे.

విలువ. కాబట్టి, ఇక్కడ కేవలం UK మరియు yk లను ప్లాట్

तर, येथे माहितीचे इतर तुकडे आहेत जे सारांशानुसार नोंदवले जातात, परंतु त्यावर

చేద్దాం మరియు ఇది నిజంగానే మేము కావాలనుకుంటున్నాము. కాబట్టి, మనం కోరుకున్నదానికి ఇది చాలా పోలి ఉంటుంది; కోర్సు, ఇది ఒక బిట్ ధ్వనించే కనిపిస్తుంది,

जाण्यासाठी रेखीय प्रतिगमन वर एक चांगला

కాబట్టి ధ్వనించే. మీరు జోడించగలరు ... మీరు కోరుకుంటే,

व्याख्यान आवश्यक आहे, आणि म्हणूनच,

మీరు శబ్దం యొక్క స్థాయిలు పెంచుకోవచ్చు

मी हे टाळत आहे परंतु आपण आधीच परिचित

మరియు మేము చేయబోతున్న వాటికి పునరావృతం చేయవచ్చు. ఇప్పుడు, నాకు రెండు లేదా మూడు వేర్వేరు

असल्यास, आपण माहिती या तुकडे आनंद आणि

మోడళ్ల ద్వారా వెళ్ళనివ్వండి, ఆపై సెషన్ ముగిస్తుంది. సో, మొదటి మోడల్ నేను మీరు శబ్దం ఉచిత

या विश्लेषण बाहेर अधिक अर्थ होईल. तर,

భాగాన్ని యాక్సెస్ కలిగి ఉంటే, మీరు చూపించడానికి కావలసిన, మరియు మీరు మరియు

पुन्हा एकदा आपण शेषंबद्दल बघूया

మీరు సంబంధం ఒక మూడవ ఆర్డర్ బహుపదుల తెలుసు,

आणि पहा की या वेळी कल - दांभिक चलन - योग्य

అప్పుడు మీరు చెయ్యవచ్చు ... వీలు ఇక్కడ సరే. దీనిని మోడ్ x అని పిలుద్దాం మరియు

नाही आहे. तर, यावेळी, आम्ही रेसिडियल्सकडे

lm ని కాల్ చేసి, సింబాలిక్ సంబంధాన్ని సరఫరా

पाहतो; होय कल हा काळ निघून गेला आहे. अर्थातच,

చేయండి. కాబట్టి, మనకు ఇక్కడ xk tilda UK ప్లస్ I uk చదరపు

एक क्यूबिक एक असू शकेल, आम्ही ते करू

ప్లస్ I UK cube ఆలమ్యం ఉంటుంది; కాబట్టి

शकतो, आणि नंतर पुढे जा आणि चौथ्या क्रम

ఇది ఆల్రైట్. కాబట్టి, మేము x మరియు u మధ్య సరిపోయే మోడల్

बहुपद प्रवृत्ती आणि इतकेच काय ते

కోసం సారాంశం తెస్తుంది.

तपासा. मी ते तुम्हाला सोडून; आता हे कसे करायचे

మరియు నేను త్వరగా మీ దృష్టిని ఈ డిస్ప్లే దిగువన హెచ్చరిక సందేశానికి డ్రా

ते मी तुम्हाला दाखवीन.

చేయాలనుకుంటున్నాను.

मी पुढच्या पायरीवर जाऊ, जिथे आपण रेसिडियल्सचे

ఇది ఖచ్చితంగా ఒక ఖచ్చితమైన సరిపోతుందని చెప్పారు.

विश्लेषण करतो. आता आपण असे गृहित धरू

ఇది ఉండాలి, కాబట్టి అది చెప్పేది, సంబంధం ఖచ్చితమైనది, ఏమీ చెప్పలేము, అక్కడ

की, वर्गसमीमाचा कल हा एकमेव प्रवृत्ती

మాట్లాడటానికి ఈ మోడల్ నుండి అవశేషాలు

आहे, परंतु आपण असे करू नये, पुढे जा आणि

లేవు మరియు అవశేషాల యొక్క మధ్యస్థంలో చాలా చిన్నవిగా ఉంటాయి.

घन कलच्या तंदुरुस्त असाल. आम्ही गृहित

సంఖ్యా ఖచ్చితత్వము వరకు సున్నా ఉంది.

धरू की हा वर्गसमीचा कल फक्त एकच आहे आणि

మరియు, పారామితులు అంచనాలు ఖచ్చితమైన రీతిలో గుర్తించబడ్డాయి మరియు చాలా ఉన్నాయి,

शेषंचे विश्लेषण. आता, जेव्हा आपण येथे या अवशेषांवर नजर

కానీ ఇది అన్ని ఆదర్శధామ ప్రపంచం, మనకు శబ్దం

टाकतो, तेव्हा आपण स्पष्टपणे एक ओझरवृत्तीचे

యొక్క ఉచిత మార్గం లేదు. కాబట్టి, ఇప్పుడు

वर्तन पाहू शकतो, याचा अर्थ आम्ही

రియాలిటీకి వెళ్తాము, కేవలం మీకు చూపుతున్నాను,

आता या आंदोलनाची वारंवारता काढण्याचा

మీరు ప్రతిదీ కలిగి ఉన్నట్లయితే, lm మీకు

प्रयत्न करू शकतो; याचाच अर्थ सीओ 2 च्या

ఇది సంపూర్ణంగా గుర్తించబడుతుంది. కాబట్టి, పైన అమర్చిన ప్రదర్శన లేదా తగిన ఉదాహరణకి వెళ్దాం.

पातळीवर एक कालमर्यादा आहे. हे विशिष्ट वेळेनंतर

ఉపన్యాసంలో, నేను ఈ విషయంలో నాల్గవ క్రమంలో బహుపది లేదా ఐదవ ఆర్డర్ బహుపదికి

पुनरावृत्ती करते. आता, आपण वारंवारता

సరిపోయేటప్పుడు నేను సరిపోయేటప్పుడు, ఇది నేను సరిపోతుంది.

काढू शकतो का?

నేను రెండవ ఆర్డర్ లేదా మొదటి ఆర్డర్

मी हे दृष्टिहीन करू शकतो, परंतु हे

సరిపోయే ఉంటే, నేను యుక్తమైనది am. కాబట్టి, ఆచరణలో - బహుపది యొక్క క్రమం

एक अतिशय प्राथमिक विश्लेषण होणार आहे.

ఏమిటో మనకు తెలుసా? లేదు మేము చేయము.

त्याऐवजी फोरियर ट्रान्सफॉर्म नियम

కాబట్టి, దానిని ఎలా నిర్ణయించాలో

वापरा.

మేము ఎలా చేస్తాము.

आपल्याला किती परिचित आहेत हे मला माहिती

మీరు బహుభార్యాసంబంధమైన సంబంధాన్ని కలిగి ఉన్నారని, మీరు ఇవ్వక పోయినప్పటికీ, y వర్సెస్

नाही, पण जर आपण नाही तर, फोरियर ट्रान्सफॉर्म्स

u యొక్క కథను నాకు చెబుతుంది లేదా పరస్పర

आपल्याला साध्या पद्धतीने पावर स्पेक्ट्रम

సంబంధాల రకాన్ని సూచిస్తుంది. ఇప్పుడు, నేను ఊహించడం ప్రారంభించండి; మేము

किंवा पावर स्पेक्ट्राल घनता म्हणून ओळखले

తప్పనిసరిగా, స్పష్టంగా, మొదటి క్రమంలో, ఒక సరళమైన ఒకటిగా తోసిపుచ్చండి.

जाते. सिग्नलच्या एकूण शक्तीला सिग्नलच्या

మేము మూడవ ఆర్డర్, నాల్గవ మరియు ఐదవ

आत वेगवेगळ्या फ्रिक्वेन्सी घटकांचे.

మొదలవుతుంది, కాని నేను ప్రాధమిక ప్రయోజనం

आणि एखाद्या ठराविक वारंवारतेच्या वेळी शिखर पाहिल्यास अंगठ्याची सोपी पद्धत, ज्याचा

సముచితమైనది కాదు. మేము మొదటి y మరియు u మధ్య ఘన బహుపహణ సంబంధాన్ని గుర్తించి, ఆపై ఇతర రెండు నమూనాలు నిర్మించడానికి,

सैद्धांतिक आधार आहे, तो पॉवर स्पेक्ट्राल

మరియు నాకు ఇక్కడ అలా తెలియజేయండి.

प्लॉटमध्ये आहे, तर सिग्नलमध्ये वारंवारता

mod yu 3. కాబట్టి, నేను ఇక్కడ ఉన్నాను.

घटक बराच उपस्थित असतो.

అంతేకాక, నేను ఏమి చేయబోతున్నాను, నమూనాలను

आता आर मधील बेस पॅकेज स्पेक्ट्रल विश्लेषण

నిర్మించటానికి మొదటి వంద మరియు యాభై పాయింట్లను ఎంచుకుంటాను మరియు మిగిలిన పదిహేను ఒకటిగా అంచనా వేయడానికి

किंवा फूरियर विश्लेषण करण्यासाठी उपकरणांसह

ఉపయోగిస్తారు. ఇది బహుశా మీకు ఉపయోగకరమైనదిగా ఉండిపోతుంది.

येत आहे; स्पेक्ट्रम नावाची आज्ञा आहे,

మరియు వ్యాయామం కూడా అవసరం, నేను ఉపన్యాసం చెప్పినట్లుగా, క్రాస్ ధ్రువీకరణ కోసం.

परंतु मी वेळ मालिका विश्लेषण पॅकेजला

కాబట్టి, lm లో, ఉపసమితి మొదటిది యాభై పాయింట్లను

प्राधान्य देतो आणि त्याला टीएसए म्हणतात.

వాడటం అని చెప్పడం ద్వారా నేను ఈ ఎంపికను

आणि मी ती लोड करणार आहे, कारण या वर्णक्रमीय

ఉపయోగించవచ్చు. మీరు ఏ ఒక యాభై పాయింట్లు ఉపయోగించవచ్చు లేదా కూడా పొడవు మరియు మార్చవచ్చు.

विश्लेषणासाठी बेस पॅकेजवर बनलेला एक

సరే, నేను ఈ mod uy 3 కలిగి; ఇదే విధమైన ఫ్యాషన్

चांगला आवरण किंवा सुबक आवरण आहे.

మరియు ఐదవ ఆర్డర్ బహుపది కూడా ఇక్కడే ఉన్న ఇతర మోడళ్లను కూడా నిర్మించవచ్చు.

तर, मी TSA पॅकेज लोड केले आहे, आणि आपण

కాబట్టి, నేను వాటిని ఒకేసారి నిర్మించబోతున్నాను. కాబట్టి, ఇవి మూడు వేర్వేరు పోలీనోమిల్

असा असावा ... आपण अशा प्रकारची प्रदर्शन

మోడల్స్ polynomial models. ఇప్పుడు, మేము ఈ నమూనాలు ఎంత మంచివి అని అడగాలనుకుంటున్నాము.

पाहू शकता. आता, जेव्हा मी R मध्ये एक नवीन

ఈ నమూనాల కోసం ఒక మంచి పరీక్ష, కోర్సు, ఇండివిడ్యువల్ మోడల్ individual model చూడండి - పారామితులు

पॅकेज लोड करतो, तेव्हा नेहमी अशीच शक्यता

ఈ వ్యక్తిగత నమూనాలు లో అంచనా. కాబట్టి, ఇక్కడ మూడవ ఆర్డర్ బహుపది అమరిక

असते की नवीन पॅकेजमधील काही रूटीच अस्तित्वात

యొక్క సారాంశం ఉంది మరియు పారామీటర్ అంచనాలు నిజంకు దగ్గరగా ఉన్నాయని మీరు చూడవచ్చు.

असलेल्या किंवा बेस पॅकेजमधील रुटीनसह

ఈ సందర్భంలో, నేను నిజం తెలుసు ఎందుకంటే

समान नाव सामायिक करतात. आणि आर आपल्याला अशी चेतावणी देते

నేను డేటా అనుకరణ మరియు అంచనాలు నిజమైన విలువలు చాలా దగ్గరగా ఉంటాయి; మీరు స్పష్టమైన కారణాల కోసం వాటిని సరిగ్గా సమానంగా

की खालील ऑब्जेक्ट आता या पॅकेजमधून

ఊహించలేరు. ఇక్కడ ఉన్న నక్షత్రాలు కూడా తక్కువ p విలువలనుండి

चिन्हांकित केले गेले आहेत आणि इत्यादी.

బయటపడుతున్నాయని కూడా అంచనా వేస్తుంది. కాబట్టి, మూడవ ఆర్డర్ బహుపది మంచిది. మేము అదే విధంగా నాల్గవ క్రమంలో చూడవచ్చు.

तर, मुळात, ते आपल्याला असे म्हणत आहेत की

ఇప్పుడు, మీరు వేరొక విషయం చూస్తారు. నేను సరిపోతున్నాను, ఎందుకంటే ఇది ఏమి

एसीएफ, अरीमा, टीआर आणि इतकेच तर, जर ते

జరుగుతుందనేది నాల్గవ క్రమంలో బహుపది రూపం. అంతరాయం పదం సత్యానికి చాలా దగ్గరగా ఉంది,

आपल्याबद्दल स्वारस्य असतील तर या दोन पॅकेजेसमध्ये

ఆపై ఇక్కడ గందరగోళానికి గురవుతుంది, మేము నిజం నుండి మళ్లించటం అంచనాలు గణనీయంగా

एक आच्छादन आहे. म्हणून, आपल्याला सावध व

మూడవ ఆర్డర్ టర్మ్లో గుణకం ముఖ్యమైనది కాదని అంచనా వేస్తుంది; మీరు లోపాన్ని చూడవచ్చు.

इतर गोष्टींवर लक्ष ठेवावे लागेल, परंतु

U క్యూబ్ కోసం కోఎఫీషియంట్ యొక్క అంచనాలో లోపం అంచనా వేయడంతో పోలిస్తే చాలా ముఖ్యమైనది;

तरीही आम्ही त्यात प्रवेश करणार नाही.

మరియు నాల్గవ ఆర్డర్ కోఎఫీషియంట్ లాగా తెలివైనది.

पण एक गोष्ट जी मी तुम्हाला सांगू इच्छितो,

మరియు ఇక్కడ ఆ నక్షత్రాలు ఉన్నాయి శూన్య పరికల్పన, మీరు చెప్పే శూన్య పరికల్పన, నాలుగు

टीएसए पॅकेजमध्येही सीओ 2 डेटा सेट आहे,

క్యూబ్ మరియు 4 శక్తి సామర్థ్యాలు నాలుగు సున్నా, కానీ మేము ఆ పాక్షికంగా సరైనది

जे आम्ही सीओ 2 डेटापासून थोड्या वेगळ्या दिसत

అని తెలుసు, కానీ కనీసం మాకు తెలిసిన కోసం u న గుణకం నాలుగు సున్నా ఉండాలి.

आहे जे आम्ही काम करीत आहोत.

ఈ సాధారణ వ్యాయామం నుండి మనం ఇంటికి తీసుకోవాలి అంటే, మేము సరిపోయేటప్పుడు,

असं असलं तरी, आता आपण कालमर्यादाचा

పారామీటర్ అంచనాలు నిజమైన పారామితులు సున్నా కానప్పటికీ, మరీ తక్కువగా ఉండగల

विचार करूया, ही आज्ञा वेळ पत्रिका आहे आणि मी खरोखर थेट येथे रेसिडियल्स

పరిస్థితిని కలిగి ఉన్న పరిస్థితిని కలిగి ఉంటుంది. కాబట్టి, మనకు ఈ విధమైన అమరిక ఎలా దెబ్బతింటుందో తెలియదు, మరియు నేను ఎల్లప్పుడూ ఈ ఉదాహరణ

खेचणार आहे, क्वाड CO 2 डॉलरचा अवशिष्ट

ఇవ్వాలనుకుంటున్నాను, ఆ డేటా గుర్తింపు మరియు పారామితులను ఆహారంగా అతిథులుగా

असलेला कालखंड; आपण पाहू शकता की घटक

చెప్పవచ్చు. కాబట్టి, మీ అతిథులకు తగినంత ఆహారం లేనప్పుడు,

काढण्यासाठी डॉलर ऑपरेटर वापरला जात

కొందరు అతిథులు సంతృప్తి చెందుతారు మరియు మరికొన్ని ఆకలితో ఉండవచ్చు.

आहे. आणि सुंदरपणे मला सिग्नलची वारंवारता

ఎవరు ఆకలితో వెళ్ళి, ఎవరు సంతృప్తి చెందుతారో

सामग्री दाखवते.

మాకు తెలియదు, కాని బాటమ్ లైన్ వారు

तर, येथे या प्लॉटचा अर्थ सांगण्याचा

ఎల్లప్పుడూ ఆకలితో వెళ్లిపోయే అతిథులు మరియు ఇక్కడ అతిథులు పారామితులుగా ఉంటారు.

मार्ग म्हणजे माझ्याजवळ एक्स-अक्षावर सामर्थ्य

మనం ఆకలితో చెప్పుకోవాల్సినవి ఇక్కడ పెద్ద లోపాలు.

आहे, आणि वर ... वाईज, माझ्याजवळ y- अक्ष

మనకు ఇది ఇష్టం లేదు; మేము అతిథులు ఆహ్వానించినప్పుడు,

आहे, आणि x- अक्ष माझ्याकडे वारंवारता आहे. आणि

మేము అన్ని అతిథులు నిజానికి సంతృప్తి వెళ్ళి కావలసిన. కాబట్టి, ఎల్లప్పుడూ గుర్తుంచుకోండి,

तो मुळातच मला सांगत आहे की या वारंवारतेवर,

డేటా గుర్తింపు కోసం ఆహారంగా ఉంటుంది; మేము ఆహ్వానించడానికి ఇష్టం లేదు, మేము

जास्तीत जास्त शक्ती माझ्याकडे आहे; आणि

ఆహ్వానించవచ్చు, కానీ ఇది మోడలింగ్లో కూడా మంచిది కాదు. ఆహారం కోసం ఉద్దేశించిన

हे उघड आहे, अंदाज लावण्याची गरज नाही,

అతిథుల సంఖ్యను మేము ఆహ్వానించాలనుకుంటున్నాము ఎందుకంటే మీకు ఆహారం ఏ వ్యర్థం అయినా

हे मुख्य वारंवारता घटक आहे ज्यात आपल्याला

గుర్తుంచుకోవాలి లేదు. మరియు ఆ సామ్యం,

स्वारस्य आहे. परंतु या वर्णक्रमीय विश्लेषणातून

ఆశాజనక, మీరు మోడలింగ్ చేసినప్పుడు మీతో ఉంటారు. మరియు మనము ఒకదానికొకటి అలాంటి ప్రవర్తనను

हे आणखी एक आहे जी एक सुसंवादी सुबुद्धीची

ఆశించాలి. కాబట్టి, ఐదవ ఆర్డర్ బహుపదికి కూడా, అంతరకాలిక

उपस्थिती आहे. आणि हे सुसंवादी किंवा

పద గణన తప్ప, మీరు వాటిలో ఏదీ పారామితి అంచనా వేయలేరు, అంటే వాటిలో పెద్ద లోపాలు

नाही हे सुसंगत आहे, - हार्मोनिक्स हे

ఉన్నాయి. సో, ఇది పూర్తిగా, పూర్తి టాస్ కోసం

मूलभूत गोष्टींचे पूर्णांक गुणांक

పోయింది; మేము పోల్చవచ్చు, నేను కేవలం అంచనాలను

आहेत. तर, जर तुम्ही या मोठमोठ्या गोष्टीचा

పోల్చను. నేను నమూనాల అంచనాలను ఎలా లెక్కించాలో

विचार केला तर - ज्यात वारंवारतेचा एक मोठा

మీకు చూపుతుంది. మరియు మేము త్వరగా మూడవ ఆర్డర్ యొక్క

शिखर मूलभूत असावा - मग त्या उजव्या कोपऱ्याच्या

అంచనాలు మరియు మిగిలిన యాభై-ఒక్క పాయింట్లపై ఐదవ ఆర్డర్ బహుపదాలను పోల్చవచ్చు లేదా

जवळ असलेल्यास एक हार्मोनिक म्हणून

మేము పూర్తి డేటా సమితులను ఎంచుకోవచ్చు.

विचार केला जाऊ शकतो. आणि सामान्यतः, हार्मोनिक्सची

మేము మిగిలిన యాభై-ఒక్క పాయింట్లను ఎంచుకుంటాము. నన్ను అలా చేయనివ్వండి. కాబట్టి, మేము దీన్ని yk టోపీగా పిలుస్తాము.

उपस्थिती म्हणजे निर्मितीच्या इतिहासातील काही प्रकारचे अपरिहार्यता आणि असेच, परंतु हे

సో, నన్ను లెట్ ... మొదట అంచనా వేయడం ప్రక్రియ డేటా ఫ్రేమ్ను సృష్టించడం.

अतिशय मनोरंजक आहे, कारण दृश्यमानमी

గుర్తుంచుకోండి, R మోడలింగ్ మరియు అంచనాలు మరియు మొదలైన వాటి కోసం డేటా ఫ్రేమ్లను

हे पीक पाहू शकत नाही. तर, आपण पहा की, गणिती विश्लेषणातून आपण काय पाहू शकतो हे उघड नाही परंतु त्याच वेळी व्हिज्युअल

అంగీకరిస్తుంది. సో, ఒక డేటా ఫ్రేమ్ సృష్టించండి, ఇక్కడ ... నేను కేవలం ఇక్కడ UK 151 కు 2011 చెప్పగలను. సో, ఆ నా ... నా పరీక్ష డేటా UK వార్తలు.

तपासणी अतिशय महत्वाची आहे. आता, आपण फार

మరియు ఇప్పుడు, నేను ఇక్కడ బాగా అంచనా వేయవచ్చు. కాబట్టి, mod uy మూడు డాట్ పరీక్ష డేటా

कमी फ्रिक्वेन्सी पासून वीज अंशदान

డాట్ lm అంచనా లేదా కేవలం అంచనా; మీరు

बघितले तर जवळजवळ शून्य फ्रिक्वेन्सी जवळ जवळ - काही कमीत कमी वारंवारता दिसून

మోడ్ 3, ఇది ఒక మోడల్, ఫీడ్ ఆ వస్తువు చూడటం ద్వారా అంచనా; ఇది ఒక సరళ మోడల్ వస్తువు

येते जी कदाचित कमी वारंवारतेची प्रवर्तक ठरते, जे कदाचित असे दर्शविते की आम्ही घनकचराची ; अगदी आमचे व्हिज्युअल विश्लेषण,

మీద పనిచేయాలని అర్థం. కాబట్టి, dot lm ని స్పష్టంగా చెప్పడం అనేది నేను చెప్పే వస్తువు లేదా మోడల్ సరళ మోడల్

खरं तर, आपण प्लॉट परत जा तर, काही क्यूबिक

రకం అని చెప్పడం, ఆపై నేను అంచనా వేసిన పరీక్షల డేటాను సరఫరా చేస్తాను.

कल दिसत आहे की प्रकट.

కాబట్టి, నేను ఆ పని చేశాను.

खरंतर, जर तुम्ही क्यूबिक प्लॉट केला

అదేవిధంగా, ఐదవ క్రమంలో కూడా దీనిని చేద్దాము.

तर मी तुम्हाला सांगेन की आपल्याला तीन सापडेल - ते एक तिसरा गुणांक आहे, पुढे

నాల్గవ ఉత్తర్వును పోల్చడానికి నేను మిమ్మల్ని వదిలివేస్తాను; మీ కోసం పని ఏదో. సరే,

गुणांक - हे लक्षणीय असतं. म्हणूनच, क्यूबिक

మేము దీన్ని yk టోపీగా పిలుస్తాము, సూది అంచనా సూత్రానికి అంచనా వేయడంలో సాధారణంగా

आणि चौथ्या ऑर्डरची मांडणी करण्याचा

టోపీ ఉపయోగిస్తారు, మరియు నేను అదే సమావేశాన్ని

प्रयत्न करा आणि हे विश्लेषण आपल्याला

ఉపయోగించాను. ఇప్పుడు, ఇక్కడ అంచనాలను పోల్చండి. కాబట్టి, నేను ఒక ప్లాట్లు కలిగి ఉన్నాను.

सांगते की ही ट्रेंड खरोखरच एक तिसरी

మొదటి యొక్క yk ప్లాట్ లెట్. వాస్తవానికి, మాకు yk పరీక్ష కూడా కాల్ చేద్దాం.

ऑर्डर किंवा चौथ्या ऑर्डर बहुपक्षीय

టెస్ట్ డేటా సరిగ్గా yk కి అనుగుణంగా ఉన్న

आहे आणि नंतर आम्ही आधीच शिल्लक कशाचा

ఒక వేరియబుల్ను సృష్టించండి. సో, ఇప్పుడు ప్లాట్ UK పరీక్ష లేదా yk మరియు పరీక్ష మరియు; ఇది UK పరీక్ష కాదు; మేము

विश्लेषण करावा हे शिकलो आहोत, अर्क

సృష్టించలేదు, క్షమించండి. కాబట్టి, ఇక్కడ YK మరియు UK మధ్య 151 నుండి

तर आता तुम्ही या मॉडेलचा वापर ट्रेंड

201 పాయింట్లకు ప్లాట్లు. ఇది నిజం, కొలతలు.

आणि सिन्डॉइड काढण्यासाठी करू शकता, आणि नंतर

మూడవ ఆర్డర్ మరియు ఐదవ ఆర్డర్ పోలీనోమిల్ మోడల్స్ polynomial models అంచనాలు ఏమిటో చెప్పండి.

तुम्ही उर्वरित अवयव पाहू शकता, अर्थातच,

మేము ఇక్కడ పంక్తులు ఉపయోగించుకోవచ్చు

या क्षणी मी यातून जाणार नाही, परंतु

మరియు UK పరీక్ష, yk టోపీ 3 అని చెప్పవచ్చు

आपल्याला माहित असेल तर आपण नेहमीच आम्हाला

మరియు ప్లాట్ ఎలా ఉంటుందో చూడటానికి

लिहू शकता अधिक तपशीलासाठी आम्ही आपल्याला स्क्रिप्ट

మేము ఎరుపు రంగును ఉపయోగించవచ్చు. క్షమించు; ఇది రంగు. కాబట్టి, ఇక్కడ వేరే

पाठवू शकतो. ठीक आहे, तर, चला दुसरे उदाहरण पाहू. पहिल्या उदाहरणामध्ये, आम्ही आरंभी रीतीनिय पद्धतीने रेखीय प्रतिगमन कसे करावे, हे शिकलो

విధానాన్ని తీసుకుందాం. కేవలం yk hat, yk test ను ప్లాట్ చేద్దాం మరియు yk hat

आहोत. आपण येथे आणखी एक रेखीय प्रतिगमन

3 ప్లాట్ చేయండి.

करणार आहोत, परंतु हे उदाहरण एखाद्या विशिष्ट नमुन्याशी संबंधित आहे ज्याचे

కాబట్టి, మనము ఊహలను ఇక్కడ పోల్చవచ్చు.

आम्ही त्यामधे गेलो. व्याख्यान तर, येथे स्क्रीन क्लियर करा आणि अधिक

నేను సమయం ఫంక్షన్ గా yk పన్నాగం.

योग्य नमुन्यासाठी आवश्यक डेटा व्युत्पन्न करा. मी काय करणार आहे, मी येथे एक अनुक्रम म्हणून इनपुट व्युत्पन्न करणार आहे, 0 ते 4 मधील

కానీ మేము ఇంతకుముందు ఇక్కడ చేసాము. మేము దీనిని సరే u యొక్క ఫంక్షన్గా

0.02 च्या चरणांमध्ये.

ప్లాట్ చేయవచ్చు.

तर, माझ्याकडे यूकेचे 201 व्हॅल्यू आहेत आणि त्यानुसार मी ध्वनी विनामूल्य

ఆపై, ఇక్కడ పంక్తులు. బాగుంది! ఆపై మనం నీలం రంగులో కూడా

प्रतिसाद व्युत्पन्न करतो. जर आपल्याला आठवत असेल तर जा आणि स्लाइडचा संदर्भ द्या ज्यामुळे आपणास रिबन किंवा ध्वनी

ప్లాట్లు చేయవచ్చు - రంగు నీలం రంగులో; ఐదవ ఆర్డర్ బహుపది నుండి అంచనా మరియు

मुक्त भागासाठी डेटा निर्मितीची अभिव्यक्ती

అది పోయిందో చూడండి.

मिळते, आणि हे आम्ही केले होते आणि नंतर

కాబట్టి, మీరు చూడగలరు, ఈ సందర్భంలో ఐదవ

ते त्याला xk असे म्हणूया.

ఆర్డర్ అంచనాలు దూరంగా పోయిందని.

आता, आम्ही नेहमीच म्हटल्याप्रमाणे,

ఉపన్యాసంలో, అంచనాలు కూడా అస్థిరంగా మారాయని

आम्ही खर्या प्रतिसादावर प्रवेश मिळवू शकत

మేము చూశాము. ఇప్పుడు, ఈ అంచనాలు పూర్తిగా ఎలా ప్రవర్తిస్తాయి,

नाही, आम्ही केवळ त्याच्या मोजमापाच्या

మేము చేర్చే శబ్దం యొక్క పరిపూర్ణతపై

मूल्यापर्यंत पोहोचतो. म्हणून, परिस्थितीला वास्तववादी बनवण्यासाठी, आता आम्ही आवाज जोडतो. आणि आम्ही या फॅशन मध्ये योग्य शब्द

ఆధారపడి ఉంటుంది, కానీ వాస్తవానికి, మొదటిది, పారామీటర్ అంచనాలు ఐదవ క్రమంలో నమ్మదగినవి కావు. అందువలన, మేము మోడల్ను కూడా విశ్వసించలేము; మీరు అంచనాలు అంత

जोडा; आम्ही गॉसियन यासारख्या लांबीचे

గొప్పవి కావని మీరు విశ్వసించవలసి వచ్చినప్పటికీ.

एक्सके सारखे आवाज घालतो.

మీరు ఈ వ్యాయామం పునరావృతం చేయవలసి

आणि आम्ही ध्वनीच्या विपुलतेला समायोजित करतो जसे की ध्वनी प्रमाण सिग्नल खूप

వచ్చినట్లయితే నేను ఈ ఇతివృత్తం చెప్పగలను, ఇక్కడ ఈ ప్లాట్లు భిన్నంగా కనిపిస్తాయి మరియు అంచనాలు భిన్నమైనవిగా కనిపిస్తాయి, ఎందుకంటే

जास्त आहे आणि मी इथेच काय करत आहे. डिफॉल्ट द्वारे, जर माझ्याकडे स्केलिंग फॅक्टर नसेल, तर vk चा फरक एक असेल; तो

మీరు శబ్దం యొక్క విభిన్న వాస్తవికతను ఉత్పత్తి చేస్తారు. కానీ బాటమ్ లైన్, మీరు సరిపోయే ఉంటే, స్పష్టంగా కనిపించే రెండు లక్షణాలు ఉన్నాయి.

ఒకటి, మీరు పారామీటర్ అంచనాలలో పెద్ద లోపాలను

मी निर्माण करत आले आहे की एक युनिट पसरण यादृच्छिक आवाज आहे. तर आपण मापन उत्पन्न करू या; येथे माझ्याकडे yk हा xk plus vk शी समांतर

చూస్తారని, మీరు అంచనా వేసినట్లుగా, మీ మోడల్కు పారామీటర్ చేయబడిందని అర్థం; మరియు రెండు అంచనాలు చాలా ఘోరంగా కాదు ఎక్కడో ఘోరంగా విఫలం, కానీ వారు తాజా డేటా

आहे आणि तो असा ध्वनी भाग आहे जो मी आहे,

సెట్లో పేద ఉంటుంది. ఎప్పటికప్పుడు, మోడలింగ్లో, ఎప్పుడైనా సాధ్యమైన

आवाज किंवा मापित मूल्य. तर, आपण फक्त यूके आणि युक्रेनला प्लॉट करू आणि हे खरंच आपल्याला हवी होती का ते पहा.

చోట క్రాస్ ధ్రువీకరణ డేటా సెట్ ఉన్నట్లయితే;

तर, आम्हाला जे हवे होते ते सारखेच दिसते; अर्थातच, तो थोडा गोंगाट करणारा दिसत नाही, इतका गोंधळलेला नाही आपण जोडू शकता ... आपल्याला हवे असल्यास, आपण आवाज पातळी वाढवू

కోర్సు యొక్క, కొన్ని సార్లు రెండు చిన్న

शकता आणि आम्ही जे काही करु ते पुनरावृत्ती करू शकता. आता मला दोन किंवा तीन वेगळ्या मॉडेलमधून जाऊ द्या आणि नंतर सत्र संपवेल. तर, पहिले मॉडेल मला तुम्हाला दाखवायचे

డేటా కలిగి ఉండవచ్చు, కానీ ఇది పరీక్ష

आहे, जर तुम्हाला आवाजातील मुक्त भाग मिळाला असेल आणि आपण होता आणि आपल्याला माहित आहे की संबंध हे तिसरे क्रम असणार

పరీక్ష డేటాను కలిగి ఉండటానికి ఎల్లప్పుడూ

आहे, तर आपण हे करू शकता ... हे येथे ठीक करूया. चला याला mod xu असे म्हणूया, आणि lm वर कॉल करा, आणि प्रतिकात्मक संबंध पुरव. म्हणून, आपल्याकडे

ఒక అభ్యాసంగా ఉండాలి, ఇక్కడ పరీక్షల డేటాలో

येथे आहे क्स के तिल्डा यूके (xk tilda uk) अधिक आय यू के आय चा वर्ग यू के घन; तर ते ठीक आहे तर, हे त्या मॉडेलचे सारांश सांगते जे आपण x आणि u मध्ये बसू. आणि मी लवकर या प्रदर्शनाच्या

మీరు పరీక్షించిన నమూనాను పరీక్షిస్తారు,

तळाशी असलेल्या चेतावणी संदेशाकडे आपले लक्ष वेधू इच्छितो. हे म्हणते की मूलत: एक परिपूर्ण तंदुरुस्त. हे असे आहे, जेणेकरून तो म्हणतो की, संबंध

ఇక్కడ పరీక్షా పత్రాల్లో విద్యార్థులు, పరీక్షల్లో

परिपूर्ण आहेत, तिथे काहीच उरलेले नाही, त्यामुळे या मॉडेलचे बोलणे बाकी आहे, आणि ते देखील अवशेषांच्या मध्यस्थांमधून प्रतिबिंबित होतात अत्यंत लहान आहे. संख्यात्मक

శిక్షణనిస్తారు కుడి. కాబట్టి, మీరే

सुस्पष्टता पर्यंत शून्य आहे तसेच, मापदंडांचा अंदाज अचूक प्रकारे ओळखला गेला आहे आणि याप्रमाणे, पण हे सर्व एक आदर्श जग आहे, आमच्याकडे आवाज मुक्त मार्ग नाही.

ఈ వ్యాయామం ద్వారా వెళ్లండి మరియు మోడల్

तर, आम्ही आता प्रत्यक्षात जाण्याचा प्रयत्न करीत आहोत, मी तुम्हाला दाखवत आहे की, जर तुमच्या

हातात सर्व काही असेल तर, तुमच्यासाठी एलएमने त्यास उत्तम प्रकारे ओळखले असेल. तर, चला जास्त समर्पक प्रात्यक्षिक किंवा अधिक समर्पक उदाहरण पाहू. व्याख्यानात,

అంటే ఏమిటో అర్థం చేసుకోండి.

मी निदर्शनास आणून दिले की मी जेव्हा फिट होत जातो, म्हणजेच मी चौथ्या क्रमवाचक बहुसंख्य किंवा पाचवा आदेश बहुपद मी योग्य असतो; जर मी दुसरा ऑर्डर किंवा प्रथम

నేను కూడా అది ఒక లిన్ CO 2 లేదా మేము

ऑर्डर फिट केला, तर मी फिटिंग अंतर्गत आहे. तर सराव मध्ये - बहुपक्षीय आदेश काय आहे हे आपल्याला ठाऊक आहे का? नाही, आम्ही नाही. तर, आपण ते कसे ठरवू

शकतो. चला गृहित धरा की आपल्याला एक बहुपत्नीक संबंध दिलेला आहे, जरी आपण दिले नसले तरीही, युवराज विरुद्धचा प्लॉट मला सांगतो किंवा बहुपत्नीक संबंधांविषयी जोरदारपणे

ఉదాహరణ కోసం అమర్చడం జరిగింది అని నమూనాలు,

सूचित करते. आता, मी अंदाज लावण्यास सुरवात करतो; आम्ही अपरिहार्यपणे, जाहीरपणे, पहिला

ऑर्डर बाहेर ठरविणे, की एक रेषेचा एक आहे. आम्ही दुसऱ्या ऑर्डर, तिसरे ऑर्डर, चौथे, आणि पाचवे पासून सुरूवात करू शकतो, परंतु मी दुसरे वगळणार आहे, कारण प्राथमिक

mod yk 3 క్షమించండి uk uy 3 లేదో మీరు చూపించడానికి

हेतू योग्य ठरणारे फिटिंगवर दाखवणे हे ठीक आहे.

प्रथम आपण y आणि u दरम्यान क्यूबिक बहुपत्नीक

కావలసిన.

संबंधांची ओळख करून देऊ, आणि नंतर इतर दोन मॉडेल्स तयार करू, आणि मी इथे असे करू. मोड वाय यू 3(mod yu 3).

మీరు టైప్ ఉంటే, ఈ మీరు ఇచ్చి ఏమి ఉంది,

तर, मी इथे आहे आणि मी काय करणार आहे, मी मॉडेल बनविण्यासाठी पहिले शंभर पन्नास पॉइंट्स उचलणार आहे आणि उर्वरित एक-एक

కానీ మీరు mod uy 3 లోని మూలకాల యొక్క పూర్తి

भागासाठी अंदाज लावावा. हे आपल्यासाठी कदाचित उपयोगी ठरणारे काहीतरी आहे. आणि त्या व्यायामाचीही गरज आहे, कारण क्रॉस

జాబితా, లక్షణాలన్నీ lm ద్వారా తిరిగి ఇవ్వబడిన

व्हॅलिडेशनसाठी मी व्याख्यानाचा उल्लेख केला आहे. तर, एलएममध्ये मी उपविभागाद्वारे पहिल्या पन्नास पॉइंट्सचा उपयोग करून हा पर्याय वापरू शकतो; आपण कोणत्याही

ఈ మోడల్ల్లో ప్రతిదానిలో ఉన్న అన్ని ఇతర విషయాలను

एक पन्नास गुण वापरू शकता किंवा अगदी

మీకు తెలియజేస్తాయి.

लांबी बदलू शकता आणि इत्यादी.

మీరు కోఎఫీషియంట్స్(coeffiecient), బిగుతైన విలువలు

ठीक आहे, माझ्याकडे हा mod uy 3 आहे; तसेच येथे इतर मॉडेल तसेच एक समान फॅशन आणि पाचव्या

కలిగి ఉంటారు, మీరు సరిపోయే వాటిని సరిపోల్చవచ్చు;

आज्ञा बहुपक्षीय तयार करू. तर मी ते सर्व एकाचवेळी तयार करणार आहे. तर, हे तीन वेगवेगळ्या बहुविध मॉडेल आहेत. आता, आम्ही

శిక్షణ డేటాపై మోడల్ అంచనాలు ఉంటాయి;

या मॉडेल योग्य आहेत किती चांगले विचारू इच्छिता. या मॉडेलसाठी एक चांगली चाचणी, अर्थातच,

మేము చేసిన విధంగా అవశేషాలను సేకరించవచ్చు;

वैयक्तिक मॉडेल पाहण्यासारखे आहे - या वैयक्तिक मॉडेलमध्ये मापदंडांचा अंदाज आहे तर, येथे तिसरे क्रम बहुपयोगी तंतोतंत आहे, आणि

అప్పుడు మీరు లినియర్ ఈక్వేషన్స్ (linear equations)తో

आपण पाहू शकता की पॅरामीटर अंदाज सत्य जवळ आहे. या प्रकरणात, मला सत्य माहित आहे कारण मी डेटाचे अनुकरण केले आहे आणि अंदाज हे खर्या मूल्यांच्या अगदी जवळ आहेत; आपण

ఎంత బాగా ప్రావీణ్యులుగా ఉన్నారనే దాని ఆధారంగా,

स्पष्ट कारणे त्यांना नक्की समान अपेक्षा करू शकत नाही. आणि तारे इथे देखील दर्शवतात की जे कमी पी मूल्यांमधून येत आहेत जे अंदाज

అది ఎలా పిలువబడింది మరియు దానిపై ఇతర

लक्षणीय, चांगले आहेत. तर, तिसरे क्रम बहुपद चांगले आहे.

వివరాలు కూడా పొందవచ్చు.

आम्ही चौथ्या ऑर्डर प्रमाणेच हेही पाहू शकतो. आता, आपण काहीतरी वेगळे पाहू शकता. मी तंदुरुस्त आहे, कारण हे चौथ्या क्रमाने बहुपदी घडते आहे. इंटरसेप्टर टर्म

Lm రొటీన్ యొక్క నాన్-సరళ వెర్షన్(non linear version)

सत्यशी जवळ जवळ आहे आणि नंतर येथे गोंधळ सुरू होते, की आपण सत्यतेपेक्षा सत्यतेकडे दुर्लक्ष करून अनुमान काढतो की तिसऱ्या पदांवरील गुणांक लक्षणीय नाही; आपण

కూడా ఉంది మరియు glm అని పిలువబడే ఒక

त्रुटी पाहू शकता U घन साठी गुणांक अंदाज मध्ये त्रुटी अनुमान स्वतः तुलनेत खूपच

సాధారణ వెర్షన్ ఉంది. నాన్-లీనియర్ వెర్షన్

महत्वपूर्ण आहे; आणि चौथ्या क्रम गुणांक तसेच विवेक प्रमाणे. आणि म्हणूनच येथे कोणतेही तारे नाहीत असे आपण सांगत आहात की शून्य अभिप्राय,

(non linear version)కాని సరళ కనీసం చతురస్ర పద్ధతిని

आपण क्यूबिक आणि गुणधर्म चार गुण शून्य आहेत, परंतु आपण हे जाणतो की हे अंशतः योग्य आहे, परंतु निश्चितपणे

ఉపయోగిస్తుంది; ఆశాజనక, కొన్ని రోజులకు మనం

आपल्याला माहित आहे की आपण गुणक चार शून्य असणे आवश्यक आहे. या सोप्या कारणावरून आपण घरी काय घेतले पाहिजे, जेव्हा आपण

కూడా వారికి వెళ్ళే అవకాశముంది, కానీ

तंदुरुस्त झालो तर आपण पॅरामीटर अंदाज लावू शकता, जरी खरे पॅरामीटर्स शून्य

మేము నిర్ధారించవలసి ఉంటుంది.

नसले तरीही ते अपरिहार्य असू शकतात. म्हणून, आम्हाला हे ठाऊक नाही की फिटिंगमुळे हे दुखापत होणार आहे आणि मी नेहमी

మరియు ఈ మోడలింగ్ సెషన్ని మీరు ఆనందించి,

हे उदाहरण देऊ इच्छितो की, डेटा हे ओळखण्यासाठीचे अन्न आहे आणि पॅरामिटर्स अतिथी आहेत म्हणून, जेव्हा तुमच्या अतिथींना पुरेसे अन्न मिळत

మాకు తిరిగి వ్రాయుటకు, ఎల్లప్పుడూ మాదిరిగానే,

नाही, तेव्हा काही अतिथी संतुष्ट होतात आणि इतर काही भुकेले असतील. कोण भुकेले असतील आणि कोण समाधानी

మాదిరికి సంబంధించిన నమూనాలు లేదా R లో

होईल हे आम्हाला ठाऊक नाही, पण खालची पातळी आहे की ते नेहमी काही पाहुणे असतील जे भुकेले जातील आणि येथे अतिथी पॅरामीटर्स

మోడల్లకు సరిపోయేటట్లు ఏవైనా సందేహాలను

आहेत. आम्ही भुकेलेला म्हणजे येथे मोठी त्रुटी आहेत; आम्हाला ते नको आहे; जेव्हा आम्ही अतिथींना आमंत्रित करतो, तेव्हा आम्हाला

కలిగి ఉండవచ్చని చెప్పడం ద్వారా మరియు

सर्व अतिथींना खरोखर समाधानी व्हायचे आहे. म्हणून, नेहमी लक्षात ठेवा, डेटा

నేను ఖచ్చితంగా ఆనందిస్తాను సహాయం చేస్తాను.

हे ओळखण्यासाठी अन्न आहे; आम्ही आमंत्रण घेऊ इच्छित नाही, आम्ही आमंत्रित करू शकता, परंतु हे मॉडेलिंगमध्ये देखील चांगले नाही आपण जे अन्न खातात त्या अतिथींची संख्या

హావ్ ఏ గుడ్ డే (Have a good day).

निमंत्रित करू इच्छित आहे कारण आपल्याला आठवत असेल की आपण खालच्या क्रमांकाचा अपव्यय करू नये. आणि हे सादृश्य, आशेने, जेव्हा आपण मॉडेलिंग असाल तेव्हा आपल्यासोबत

राहील आणि आपण त्याचप्रमाणे इतर सदस्यांसाठी समान वर्तणुकीची अपेक्षा केली पाहिजे. तर पाचव्या क्रम बहुपयोगीतेसाठी,

आपण पॅरामीटर अनुमानांपैकी कोणीही पाहू शकत नाही फक्त वगळता टर्म अत्यंत महत्त्वाचा आहे, याचा अर्थ त्यांना त्यांच्यामध्ये मोठ्या त्रुटी आहेत. तर, हे स्पष्टपणे

आहे, पूर्ण नाणेफेकही गेले; आम्ही तुलना करू, मी फक्त अंदाज तुलना करू. मी आपल्याला मॉडेलचे अंदाज कसे मोजले ते दाखवणार आहे. आणि आम्ही तिसर्या ऑर्डर आणि पाचव्या

ऑर्डर पॉलिनीमबद्दलच्या भविष्यवाण्यांची उर्वरित अर्ध्या एक बिंदूवर पटकन तुलना करू शकतो किंवा आपण पूर्ण डेटा संच निवडू शकतो. आपण उर्वरित एक-एक पॉइंट निवडू.

मी ते करू. तर आपण याला yk hat म्हणून म्हणतो. तर, मला ... प्रथम अंदाज लावण्याची प्रक्रिया प्रथम डेटा फ्रेम तयार करणे आहे लक्षात ठेवा, आर मॉडेलिंग आणि अंदाज आणि त्यामुळे

वर डेटा फ्रेम स्वीकारतो. तर, एक डेटा फ्रेम तयार करू देते, जिथे ... मी येथे 151 ते 201 असे म्हणू शकते. तर, ते माझे आहेत ... ही माझी चाचणी डेटा यूके

आहे. आणि आता, मी येथे भविष्य वर्तवू शकते. तर, आपण तीन टिट चाचणी डेटा मोजू शकता डॉट एमएम किंवा फक्त अंदाज लावा; असा अंदाज लावा की आपण ज्या वस्तुची खाल्लेली

आहात त्याकडे बघून ती 3 आहे जी ती मॉडेल आहे; तो एक रेखीय मॉडेल ऑब्जेक्ट वर काम आहे की समजतात तर, फिक्स्ड डॉट एलएम स्पष्टपणे R सांगत आहे की ऑब्जेक्ट

किंवा मॉडेल जे मी पुरववत आहे ते एक रेखीय मॉडेल प्रकार आहे, आणि नंतर, मी चाचणी डेटाची पूर्तता करीत आहे ज्यास तो अंदाजांचे गणन करणे आहे. तर मी हे केले

आहे. तसेच याप्रमाणे पाचव्या ऑर्डरसाठी देखील हे करूया. चौथ्या क्रमांची तुलना करायला मी तुम्हाला सोडून देतो. स्वत: साठी कार्य

करण्यासाठी काहीतरी ठीक आहे, आम्ही याला yk hat म्हणून म्हणतो, हॅट विशेषत: भाकित अंदाजाप्रमाणे अंदाजासाठी वापरली जाते आणि मी त्याच अधिवेशनाचा वापर केला आहे आता,

येथे अंदाजांची तुलना करूया. तर, माझ्याकडे एक प्लॉट आहे. चला प्रथम yk प्लॉट करू. खरेतर, आपण yk चाचणी देखील बोलू या; चाचणी डेटासाठी yk शी संबंधित एक वेरिएबल

तयार करा. तर आता प्लॉट यूके टेस्ट किंवा यॅ आणि टेस्ट आणि; हे यूके चाचणी नाही; आम्ही तयार केले नाही, क्षमस्व. तर, येथे युक आणि यूके दरम्यानच्या 151 ते

201 बिंदूंसाठी प्लॉट आहे हे सत्य आहे, मोजमाप आता आपण तिसऱ्या ऑर्डर व पाचव्या ऑर्डर पॉलिनेमियल मॉडेल्सचे काय अंदाज लावा. आपण येथे ओळी वापरु शकतो आणि यूके

चाचण्या घेऊ शकतो, yk hat3, आणि प्लॉट कसे आहे ते पाहण्यासाठी आम्ही लाल रंग वापरू शकतो. क्षमा करा; हे रंग आहे. तर, येथे एक वेगळा दृष्टिकोन घेऊया.

चला फक्त वाय के हॅट (yk hat), वाय के टेस्ट (yk test) आणि नंतर वाय के हॅट ( yk hat) 3 प्लॉट करू. मग आपण येथे भविष्यवाण्यांची तुलना करू शकतो. मी वेळेचा फंक्शन म्हणून याकडची आखणी केली

आहे. परंतु आपण यापूर्वी येथे केले होते तसेच प्लॉट बनवू शकतो. आपण हे कळीचे कार्य म्हणून देखील प्लॉट करू शकता. आणि मग,

येथे रेषा. ठीक आहे छान! आणि मग आपण निळ्या रंगाच्या निळ्यावर प्लॉट देखील प्लॉट करू शकतो. पाचव्या आज्ञा बहुपक्षीय पासून अंदाज आणि तो निघून आहे ते पहा.

तर, तुम्ही बघू शकता, की या प्रकरणात पाचव्या आज्ञेचे भविष्य वेगळे झाले आहे. व्याख्यान मध्ये, आम्ही अंदाज तसेच अस्थिर झाला होता पाहिले आहे. आता, हे अंदाज कसे

वागत आहेत हे आम्ही जो ध्वनी जमा करतो ते प्रत्यक्षात अवलंबून आहे, परंतु खरं आहे, सर्वप्रथम, पॅरामीटर अंदाज पाचव्या क्रम प्रकरणात विश्वसनीय नाही. आणि म्हणून,

आपण या मॉडेलवर विश्वास ठेवू नये. जरी आपण विश्वास ठेवू इच्छित असाल की अंदाज इतके मोठे नाहीत मी तुम्हाला सांगू शकेन की जर तुम्ही ह्या व्यायामाची पुनरावृत्ती करीत

असाल, तर या प्लॉट्स वेगळ्या दिसतील आणि अंदाज भिन्न दिसेल, कारण आपण वेगवेगळ्या आवाजाची पूर्तता कराल. पण तळाची ओळ आहे, आपण तंदुरुस्त असाल तर दोन लक्षणे

स्पष्टपणे दिसतील. एक, आपण मापदंड अंदाजपत्रकातील मोठ्या चुका पाहू शकाल, याचा अर्थ असा की आपण अंदाजे अनुमान काढला आहे, आपण आपल्या मॉडेलला पॅरामीटर

कराव्या लागतात; आणि दोन अंदाज अशी बुद्धीच्या नजरेने दुर्गंधीच्या दरम्यान कुठेतरी अपयशी ठरतील, परंतु ते नवीन डेटा सेटवर खराब असतील.

नेहमी, मॉडेलिंगमध्ये, जिथे शक्य असेल तिथे क्रॉस वैधता डेटा सेट असल्यास; नक्कीच, काही वेळा दोन लहान डेटा असू शकतात परंतु आपण चाचणी डेटा सेट करण्यासाठी नेहमीच

सराव असणे आवश्यक आहे, जेथे आपण परीक्षणाच्या डेटावर प्रशिक्षित मॉडेलची चाचणी करू शकता जसे की आम्ही विद्यार्थ्यांची चाचणी घेतो, असाइनमेंटवर प्रशिक्षित, परीक्षा

पेपरवर उजवीकडे तर, या व्यायामातून स्वत: चा अभ्यास करा आणि त्याचा आदर्श काय आहे याचा अनुभव घ्या. मी तुम्हाला दाखवायचे आहे की तो एक लिन सीओ 2 आहे किंवा मॉडेल

जे आम्ही उदाहरणाप्रमाणे समर्पक केले आहे, कृपया 3 यूके 3 माफ करा. जर आपण फक्त टाईप करू तर ते तुम्हाला देईल, परंतु आपण इच्छुक असल्यास मोड यू वाय (mod uy) 3 मध्ये घटकांची

संपूर्ण यादी, विशेषता आपल्याला एलएमद्वारे परत केलेल्या प्रत्येक मॉडेलमध्ये समाविष्ट असलेल्या इतर सर्व गोष्टी काय सांगतील. आपल्याकडे गुणक आहेत, फिट मूल्य, आपण फिट्स

तुलना करू शकता; फिट डेटा हे प्रशिक्षण डेटाच्या मॉडेलचे अंदाज आहे; आपण जसे आम्ही केले अवशेष काढू शकता; नंतर आपण रेखीय समीकरणासह किती चांगल्या प्रकारे

पारंगत आहात त्यानुसार आपण इतर तपशील जसे की ते कसे म्हणतात आणि इत्यादी देखील मिळू शकतात. एलएम रूटीनची एक नॉन-लिनीयर आवृत्ती

आहे आणि तेथे सामान्यीकृत आवृत्ती आहे ज्याला ग्लॅम म्हणतात. नॉन-लिनीयर आवृत्ती गैर-रेखीय किमान स्क्वेअर पद्धती वापरेल; आशेने, काही

दिवसांमुळे आम्हालाही त्यांच्याकडे जाण्याची संधी मिळेल, परंतु आम्हाला निष्कर्ष काढावा लागेल. आणि मला असे म्हणायचे की आपण या मॉडेलिंग

सत्राचा आनंद घेत आहात आणि आम्हाला नेहमीप्रमाणे, आपण मॉडेलिंगशी संबंधित असू शकणारे प्रश्न किंवा R मध्ये मॉडेल कसे फिट करावे याबद्दल आम्हाला पुन्हा लिहा

आणि तुम्हाला मदत करायला आम्हाला नक्कीच आनंद होणार. आपला दिवस चांगला जाओ.