Khác biệt giữa bản sửa đổi của “Phân tích hồi quy”

Nội dung được xóa Nội dung được thêm vào
Addbot (thảo luận | đóng góp)
n Bot: Di chuyển 32 liên kết ngôn ngữ đến Wikidata tại d:q208042 Addbot
n clean up, replaced: → using AWB
Dòng 10:
''Xem thêm:'' [[phân phối chuẩn đa biến]] (''multivariate normal distribution''), [[danh sách các ẩn bản trong thống kê#Phân tích hồi qui|các ẩn bản quan trọng trong phân tích hồi qui]].
 
Hồi qui thường được xếp vào loại bài toán [[tối ưu]] vì chúng ta nỗ lực để tìm kiếm một giải pháp để cho [[sai số và phần dư]] là [[tốt nhất]]. Phương pháp sai số chung nhất được sử dụng là phương pháp [[bình phương tối thiểu|bình phương cực tiểu]]: phương pháp này tương ứng với một [[hàm hợp lý dạng Gauss]] của các dữ liệu quan sát khi biết biến ngẫu nhiên (ẩn). Về một mặt nào đó, bình phương cực tiểu là một phương pháp ước lượng tối ưu: xem [[định lý Gauss-Markov]].
 
Để giải quyết bài toán tối ưu trong hồi qui thường dùng các giải thuật như giải thuật hạ bậc gradient [[gradient descent]], [[giải thuật Gauss-Newton]], và [[giải thuật Levenberg-Marquardt]]. Các giải thuật xác suất như [[RANSAC]] có thể được dùng để tìm một phù hợp tốt cho tập mẫu, khi cho trước một mô hình tham số hóa của hàm đường cong.
Dòng 48:
 
== Ví dụ ==
Ví dụ đơn giản nhất của hồi qui là trong trường hợp 1 chiều. Chúng ta được cấp một [[không gian vec-tơ|vec-tơ]] của các giá trị ''x'' và một vec-tơ khác của các giá trị ''y'' và chúng ta đang cố gắng tìm kiếm một hàm mà <math>f(x_{i}) = y_{i} </math>.
 
:giả sử <math>
Dòng 121:
 
:<math>
\vec{w} = \begin{pmatrix}
0 \\
4.25 \\
Dòng 143:
 
== Tham khảo ==
* Audi, R., Ed. (1996) ''The Cambridge Dictionary of Philosophy''. Cambridge, Cambridge University Press. curve fitting problem p.&nbsp;172-173.
* David Birkes and Yadolah Dodge, ''Alternative Methods of Regression'' (1993), ISBN 0-471-56881-3
* W. Hardle, ''Applied Nonparametric Regression'' (1990), ISBN 0-521-42950-1