Ошибки Mathnet при попытке решить уравнение множественной регрессии

Question

Ошибки Mathnet при попытке решить уравнение множественной регрессии

1

У меня есть следующий код, и я пытаюсь использовать два разных метода для решения уравнения множественной регрессии. Массивы слишком длинны, чтобы перечислить, но подсчет по каждому соответствует 5704 строкам. Я получаю следующие ошибки, когда пытаюсь запустить код

//получение Необработанное исключение типа "System.ArgumentException" произошло в MathNet.Numerics.dll

Дополнительная информация: Матрица должна быть положительно определена.

double[] p = Fit.MultiDim(
                new[] { shortRatingList.ToArray(), mediumRatingList.ToArray(), longRatingList.ToArray() },
                weekReturnList.ToArray(),
                intercept: true);

//получение Необработанное исключение типа "System.ArgumentException" произошло в MathNet.Numerics.dll

Дополнительная информация: Размеры матрицы должны совпадать: 3x5705.

                double[] q = MultipleRegression.QR(
                new[] { shortRatingList.ToArray(), mediumRatingList.ToArray(), longRatingList.ToArray() },
                weekReturnList.ToArray(),
                intercept: true);

user3610374 11 янв. 2015, в 16:27

Источник

0

@MitchWheat я публикую на этом сайте, потому что я не знаю, как исправить эти исключения
user3610374 11 янв. 2015, в 15:29

Теги:

c#

math

mathnet

1 ответ

Ещё вопросы

@MitchWheat я публикую на этом сайте, потому что я не знаю, как исправить эти исключения

Christoph Rüegg · Accepted Answer · 2015-01-11T13-28-00.000Z

Фрагмент кода в вопросе вычисляет регрессию с тремя точками выборки (каждая из них с 5704 значениями), поэтому она ожидает, что weekReturnList будет иметь длину 3.

Однако, если weekReturnList имеет длину 5704, а ваши данные фактически представляют 5704 точек данных с 3 значениями каждый (короткий, средний, длинный), тогда вам нужно транспонировать вход.

Я полагаю, что данные, организованные столбцами вместо точек данных, довольно распространены на практике, поэтому мы должны рассмотреть возможность добавления функции быстрого доступа для этого варианта использования в классе Fit.

Тем временем вы можете использовать следующее, которое переносит ввод, создавая матрицу дизайна из массивов столбцов вместо массивов строк:

MultipleRegression.NormalEquations(
    Matrix<double>.Build.DenseOfColumnArrays(shortRatingList, mediumRatingList, longRatingList),
    Vector<double>.Build.Dense(weekReturnList));

Это будет генерировать коэффициент для каждой точки выборки? Я думаю, что я правильно использую этот термин
Это позволит найти 3 коэффициента, которые минимизируют ошибку для 5704 выборок данных, так что p1 * short + p2 * medium + p3 * long ~ = weekReturn. Имеет ли это хоть какой-то смысл? Вы на самом деле не указали модель, для которой вы хотите регрессию;)
Просто заметил, что вы попросили перехватить термин (и, следовательно, 4 коэффициента). Простейший способ сделать это с помощью этой функции - сначала вставить вектор «все-один» (например, Generate.Repeat(5704, 1.0) ), а затем остальные 3.
Я использую множественную регрессию для школьного проекта и, честно говоря, я едва знаю, что это такое и как это сделать. Я намного лучше с линейной регрессией. На самом деле там был только термин «перехват» из-за примера, который я видел. Предполагается, что мой проект должен предложить 3 различных способа оценки акций на основе разных данных, а затем попытаться получить ожидаемый доход. Я надеюсь, что я сталкиваюсь ясно
Кажется, что мы на правильном пути, с expectedWeekReturn = p1*shortRating + p2*mediumRating + p3*longRating где p-параметры - это 3 результата, возвращаемых функцией NormalEquations.
Я знаю, что уже пометил его как ответивший, но есть ли способ увидеть ошибку или рассчитать величину ошибки по множественной регрессии?
GoodnessOfFit.RSquared может помочь получить указание на ошибку, например, GoodnessOfFit.RSquared( Enumerable.Range(0,weekReturnList.Length).Select(i => f(shortRatingList[i], mediumRatingList[i], longRatingList[i])), weekReturnList); с Func<double,double,double,double> f = (rs,rm,rl) => p[0]*rs + p[1]*rm + p[2]*rl . См. Также См. Также stackoverflow.com/questions/27940868/…