JMP normlizza i dati per la regressione lineare RSMY = XB. Y e X sono noti.
ho fatto un martix X, la prima colonna è 1. la prossima colonna è un valore variabile. (Modello RSM. es. x1 x2 x3 x1 ^ 2 x1x2 x1x3 x2 ^ 2 x2x3 x3 ^ 2)
la colonna 2-10 non è normata.
Io uso JMP in forma questo matrice X normalizzata e selezionare marco / RSM.
il primo passo è usare tutti i parametri e posso ottenere il risultato della regressione lineare
Il quadrato R è 0.91
se uso questo normlized X matrice per regressione lineare. - in python.
metodo serval.
1. pinv (x) * Y
2. pin (xt * x) xt * Y
3. lstsq (mat_X, mat_Y.T)
4. sm.OLS ( mat_Y , mat_X )
il risultato R-square è circa 0.92 che è simile al jmp reuslt.
se normlized questo X martix.
mat_X [:, 1:] = np.around (2 * (mat_X [:, 1:] - mat_X. [:, 1:] significa (0)) / (np.ptp (mat_X [:, 1:], asse = 0)))
il risultato del quadrato R è circa 0,87, molto più piccolo del risultato JMP.
quindi mi chiedo di sapere se JMP normalizza i dati durante il suo modello di adattamento ...
Secondo l'analisi DOE. questa normalità è necessaria ...
Ri: JMP normlizza i dati per la regressione lineare RSMCiao grazie per il tuo suggerimento.
ho atuito il jmp reuslt. da questo risultato.
hai ragione. jmp ha codificato la variabile di input.
e capisco perché c'è una differenza.
il mio umore come il giro del valore normlizzato (-1/0/1) mentre JMP no.
ovviamente il valore continuo mostrerà un risultato migliore.
0,286238698909496
0.0108723016776135 *: var1_item
-0,0030783246785283 *: var2_item
-0,00103156547312312 *: var3_item
-0.00639159696577367 *: var4_item
0,00591958635149878 *: var5_item
-0.0116101343183908 *: var6_item
-0.00576482105310824 *: var7_item
-0,0000968264730577947 *: var8_item
0,0119152879877735 *: var9_item
-0.0848833900498315 *: var10_item
0.0622163225141193 *: var11_item
0.0402091328320561 *: var12_item
var1_item * var1_item * -0.00777777703149709
var1_item * (: var2_item - 0.00260416666666667) * -0,00221885710855179
var1_item * (: var3_item - 24.5807291666667) * -0.000359320174969306
var1_item * (: var4_item - (-0.0104166666666667)) * -0,00362969350701834
var1_item * (: var6_item - 0.00520833333333333) * -0.00199166114217802
var1_item * (: var8_item - 27.3046875) * -0,0000902825315175603
var1_item * (: var9_item - (-0.00520833333333333)) * 0.00138867940298831
var1_item * (: var10_item - 0.776757812500002) * -0.0126640508917091
var1_item * (: var12_item -0.0515624999999999) * 0.00723226555572464
(: var2_item - 0.00260416666666667) * (: var3_item - 24.5807291666667) * -0.000335886721396323
(: var2_item -0.00260416666666667) * (: var4_item - (-0.0104166666666667)) * 0,00191935297074069
(: var2_item - 0.00260416666666667) * (: var5_item - 1.14609374999999) * -0.00196457112219932
(: var2_item - 0.00260416666666667) * (: var10_item -0.776757812500002) * -0.00920871165427011
(: var3_item - 24.5807291666667) * (: var3_item - 24.5807291666667) * -0.0000815627812120544
(: var3_item -24.5807291666667) * (: var4_item - (-0.0104166666666667)) * 0,000191618725149221
(: var3_item - 24.5807291666667) * (: var5_item - 1.14609374999999) * 0.000636976851886725
(: var3_item - 24.5807291666667) * (: var6_item -0.00520833333333333) * -0.000168527994113173
(: var3_item - 24.5807291666667) * (: var9_item - (-0.00520833333333333)) * 0.0000915720731626415
(: var3_item -24.5807291666667) * (: var10_item - 0.776757812500002) * 0.000333488716894479
(: var3_item - 24.5807291666667) * (: var11_item - 0.0503906249999999) * -0.000439774767505078
(: var4_item - (-0.0104166666666667)) * (: var6_item -0.00520833333333333) * 0.00096610960767461
(: var4_item - (-0.0104166666666667)) * (: var10_item - 0.776757812500002) * 0.00450546279579516
(: var5_item -1.14609374999999) * (: var6_item - 0.00520833333333333) * 0.0021106676783288
(: var5_item - 1.14609374999999) * (: var7_item - 13.821875) * 0.00217097837772603
(: var5_item - 1.14609374999999) * (: var11_item - 0.0503906249999999) * -0.0115442487991345
(: var6_item - 0.00520833333333333) * (: var7_item - 13.821875) * -0.00125862999783603
(: var6_item - 0.00520833333333333) * (: var10_item -0.776757812500002) * -0.00957578865813035
(: var6_item - 0.00520833333333333) * (: var11_item - 0.0503906249999999) * 0.00993582976587471
(: var7_item - 13.821875) * (: var7_item - 13.821875) * -0.000431452298824955
(: var7_item - 13.821875) * (: var8_item - 27.3046875) * -0.000126745570160173
(: var7_item - 13.821875) * (: var9_item - (-0.00520833333333333)) * 0.000354895921488306
(: var7_item -13.821875) * (: var10_item - 0.776757812500002) * -0.00632400305434231
(: var7_item -13.821875) * (: var11_item - 0.0503906249999999) * 0.00395422868916678
(: var8_item - 27.3046875) * (: var9_item - (-0.00520833333333333)) * 0.000473319071720134
(: var8_item - 27.3046875) * (: var10_item - 0.776757812500002) * 0.00073928041332545
(: var9_item - (-0.00520833333333333)) * (: var10_item - 0.776757812500002) * -0.00587332411782299
(: var9_item - (-0.00520833333333333)) * (: var11_item -0.0503906249999999) * 0.00953104032282317
(: var10_item - 0.776757812500002) * (: var12_item - 0.0515624999999999) * -0.0646790675737112
(: var11_item -0.0503906249999999) * (: var11_item - 0.0503906249999999) * -0.180683768377719
(: var11_item - 0.0503906249999999) * (: var12_item - 0.0515624999999999) * 0.104048651671741
Ri: JMP normlizza i dati per la regressione lineare RSMSe si progetta l'esperimento con JMP e si crea la tabella dei dati di progettazione, ciascun fattore continuo avrà la proprietà Coding. Adatta a minimi quadrati utilizza questa proprietà per codificare internamente i livelli di fattore a -1 (min) a +1 (massimo). L'etichetta del termine nelle stime dei parametri cambia in qualcosa come X1 (min, max) per indicare che le stime hanno utilizzato livelli codificati, non livelli effettivi.
Se inserisci i fattori in una tabella di dati in un altro modo, probabilmente non hanno questa proprietà di colonna e Adatta minimi quadrati non codificherà i livelli.
