Y = XB. Y와 X는 알려져 있습니다.
나는 martix X를 만들었고 첫 번째 열은 1이었다. 다음 열은 가변 값입니다. (RSM 모델. 예 : x1 x2 x3 x1 ^ 2 x1x2 x1x3 x2 ^ 2 x2x3 x3 ^ 2)
열 2-10은 정규화되지 않습니다.
나는 JMP를이 un- 정규화 된 X 행렬 marco / RSM을 선택하십시오.
첫 번째 단계는 모든 매개 변수를 사용하고 선형 회귀 결과를 얻을 수 있습니다.
R-square는 0.91입니다.
내가이 un- 정상화 된 X 선형 회귀에 대한 행렬. - 파이썬으로.
serval 방법.
1. pinv (x) * Y
2. 핀 (xt * x) xt * Y
삼. lstsq (mat_X, mat_Y.T)
4. sm.OLS ( 소탈한 , 매트 _X )
R-square 결과는 약 0.92로 jmp reuslt와 유사합니다.
만약 내가이 X martix normlized.
mat_X [:, 1 :], mean (0)) / (np.ptp (mat_X [:, 1 :], 축 = 0)))
R- 제곱 결과는 약 0.87이며 JMP 결과보다 작습니다.
그래서 JMP가 적합 모델 동안 데이터를 정규화하는지 알고 싶습니다 ...
DOE 분석에 따르면. 이 정상화가 필요합니다 ...
안녕하세요, 제안 해 주셔서 감사합니다.
나는 jmp reuslt를 attahced. 이 결과에서.
당신 말이 맞아요. jmp가 입력 변수를 코딩했습니다.
나는 왜 차이가 있는지 알아 낸다.
라운드로 내 bood 정상화 된 값 (-1 / 1) 동안 JMP 않습니다.
명백하게 연속 값은 더 나은 적합 결과를 나타냅니다.
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
JMP로 실험을 디자인하고 디자인 데이터 테이블을 만들면 각 연속 요소에는 Coding 속성이 있습니다. Fit Least Squares는이 속성을 사용하여 요소 수준을 -1 (최소)에서 +1 (최대)까지 내부적으로 코딩합니다. 매개 변수 추정의 용어 레이블은 X1 (최소, 최대)과 같이 변경되어 실제 수준이 아닌 코딩 된 수준을 사용한다는 것을 나타냅니다.
다른 방법으로 데이터 테이블에 요소를 입력하면이 열 속성이 없을 것이며 Fit Least Squares는 레벨을 코딩하지 않습니다.
