タグ付けされた質問 「regression」

特定のクラスの検出器では、データは2次元のポイントのペアとして出力されるため、これらのポイントをラインにストリング化する必要があります。 データはノイズが多く、一方向にビニングされますが、他の方向にはビニングされません。各検出器要素が動作している場合でも、すべてのビンでのヒットを保証することはできないため、スキップが発生する可能性があります。 現在の分析チェーンは次のようになります 個々の検出素子のキャリブレーションのヒットを調整します クラスターを見つける クラスターへのラフフィットライン クラスターをより長いライン状の構造に接続します ... この質問はステップ（3）に関するものです。 そのステップでハフ変換を使用してきましたが、うまく機能しますが、テストベッドから本格的なプロジェクトのシミュレーションにスケールアップしようとすると、許容できないほど遅くなります。 もっと速い方法を探しています。 ここで実際の使用例を気にする人のために、液体アルゴン時間投影チャンバーがあります

12 regression  computer-vision  pattern-recognition 

一連のポイントと対応する法線（または同等に接線）への2次近似に関する質問があります。二次曲面をポイントデータに近似する方法はよく研究されています。いくつかの作品は次のとおりです。 次曲面のフィッティングタイプ制約直接、ジェームズ・アンドリュース、カルロ・H.スパンコール コンピュータ支援設計＆アプリケーション、10（）、2013年、BBB、CCC データを二次曲面の当てはめ代数、I.アルSubaihiおよびGAワトソン、ダンディー大学 射影輪郭への適合も、このようないくつかの作品でカバーされています。 これらすべての作業から、Taubinの2次近似の方法は非常に人気があると思います。 G.タウビン、「暗示方程式で定義された平面曲線、表面および非平面空間曲線の推定、エッジおよび距離画像セグメンテーションへの応用」、IEEE Trans。PAMI、Vol。13、1991、pp1115-1138。 簡単に要約させてください。二次は代数形式で書くことができます： ここで係数ベクトルであり 3次元座標です。任意点嘘二次曲面上のなら、： QQQf(c,x)=Ax2+By2+Cz2+2Dxy+2Exz+2Fyz+2Gx+2Hy+2Iz+Jf(c,x)=Ax2+By2+Cz2+2Dxy+2Exz+2Fyz+2Gx+2Hy+2Iz+J f(\mathbf{c},\mathbf{x}) = A x^2 + By^2 + Cz^2 + 2Dxy + 2Exz + 2Fyz + 2Gx + 2Hy + 2Iz + J cc\mathbf{c}xx\mathbf{x}xx\mathbf{x}QQQxTQx=0xTQx=0\mathbf{x}^TQ\mathbf{x}=0Q=⎡⎣⎢⎢⎢ADEGDBFHEFCIGHIJ⎤⎦⎥⎥⎥Q=[ADEGDBFHEFCIGHIJ] Q = \begin{bmatrix} A & D & E & G \\ D & B & …

12 computational-geometry  regression  geometry  curve-fitting 

（この質問がこのサイトに合うことを望みます;そうでない場合、私の謝罪を受け入れます）。 特定のシミュレーションを実行し、時系列y（t）、t = 0、1、... 20を取得しました。いくつかの関数を試した後、次のことがわかりました。 y(t) =~ 1 / (A t + B) ここで、AとBは線形回帰を使用して計算した係数で、R ^ 2> 0.99です。 そのような結果を科学論文で報告する標準的な方法は何ですか？具体的には： A.理論的な説明、出力がこのように見える理由はありません（これは減少するはずであり、下から制限されていることを知っていますが、それ以上ではありません）。それは単なる推測でした。試みた他のすべての失敗した推測を説明する必要がありますか？ B.シミュレーションを実行するたびに、AとBの値がわずかに異なります。ランダムな実行を報告するだけですか、それともシミュレーションを何度も実行して結果を平均する必要がありますか？もしそうなら、何回で十分ですか？

11 regression  publications 

アイテムを一致させようとしています。アイテムのセットが与えられた場合、それらが互いにどれだけ類似しているかを0から100までのスケールでランク付けできます。たとえば、アイテムn 1が牛乳でアイテムn 2も牛乳の場合、n 1とn 2の類似性は100％になります。n 3がソーダの場合、n 1とn 3の間の類似性はおそらく80％などになります。んんnん1ん1n_1ん2ん2n_2ん1ん1n_1ん2ん2n_2ん３ん３n_3ん1ん1n_1ん３ん３n_3 アイテムを類似したアイテムのグループにグループ化する方法を理解しようとしていますが、これは難しい問題です。私は次の問題に遭遇します。馬は牛に似ています。これは山羊に似ています。これは、部分的に山羊チーズに似ています。これは、クラッカーに関連するチーズに似ています。しかし、馬がクラッカーと同じグループになるとは思いません。各項目はペアごとに関連付けられている場合がありますが、最初と最後は関連付けられていない場合があります。んんn 何か案は？

10 regression  data-analysis 

Formulize / Eureqaがそれを使用するために年間$ 2500を請求し始め、試用版が機能しなくなったので、データポイントを指定して方程式を見つけるなど、同様のことができる代替品を知っている人はいますか？ それは無料でしたが、会社や学校以外の誰の価格帯からも外れています。 （それはシンボリック回帰ソフトウェアです） ありがとう

8 machine-learning  regression  symbolic-computation 

この問題を明確に説明する方法がよくわからないので、ご容赦ください。私は3つの正規直交単位ベクトルと位置、コンピューターグラフィックスの標準的な4x4変換行列のベースを持っています。 また、その空間にいくつかのポイント（オフセット）があり、ワールドスペースに変換します。次に、ポイントがわずかに摂動されます。次に、摂動されたポイントを表すのに最も近い新しい基準を見つけたいと思います。 元のオフセットを尊重したいので、主成分を見つけるのとはまったく異なります。それが理にかなっている場合。新しい各ポイントからそれぞれの開始位置へのスプリングのように。答えは最小二乗問題を解決することだと思いますが、頭が痛いので調べました。 誰かが簡単に説明してくれませんか。私は閉じた形のソリューションを好みますが、反復的なソリューションも大丈夫でしょう。どうもありがとう

8 optimization  regression  basis-set  least-squares 

データセットからランダムに選択されたポイントで構成されるファイルのセットがあり、各ファイルは特定のクラスに属しています。これらのファイルの各行には、ポイントのn空間の座標が含まれています。これらの各ファイルのn空間での分布を比較したいと思います。ヒストグラムを比較するためのKSテストに触発されました。私が読んだことから、この方法は多変量データにうまく拡張できません。以前はPCAを使用していましたが、すべての分散が単一のノイズの多い次元に折りたたまれ、クラスタリング手法は役に立たなかった。 私の質問-適合度の指標として各n次元のヒストグラム全体のKS値の平均を使用すべきではない理由はありますか？これらの分布を比較するためのより良い方法はありますか？

8 statistics  high-dimensional  pattern-recognition  regression 

特異値分解を使用してシステムを解いています。特異値（スケーリング前）は次のとおりです。 1.82277e+29 1.95011e+27 1.15033e+23 1.45291e+21 4.79336e+17 7.48116e+15 8.31087e+12 1.71838e+11 5.63232e+08 2.17863e+08 9.02783e+07 1.72345e+07 1.73889e+05 8.09382e+02 2.16644e+00 すべての特異値と、それに関連する私のソリューションベクトルへの寄与を受け入れると、結果が悪くなることがわかりました。すべてを最大数でスケーリングし、次の特異値を生成します。 1.0 1.06986e-02 6.31091e-07 7.97089e-09 2.62971e-12 4.10428e-14 4.55948e-17 9.42732e-19 3.08998e-21 1.19523e-21 4.95281e-22 9.45510e-23 9.53980e-25 4.44040e-27 1.18854e-29 最善の解決策は、私が最後の二つが含まれている場合に悪くなり始めると、わずか約良好となる10−1910−1910^{-19}用語。 最後の2項を含めると、精度が大幅に低下します。何故ですか？特異値を含める/含めないための基準は何ですか？ m×nm×nm \times nm≫nm≫nm \gg nA⋅X=BA⋅X=BA\cdot X = BAAAA⊤AX=A⊤XA⊤AX=A⊤XA^\top A X = A^\top X 私のソリューションへの回答は、ノイズの多いデータをどれだけよく近似しているかで判断しています。 また、「良好」な適合であっても、ゼロに近いとうまく適合しないことにも気づきました（データの範囲はから10です）。何故ですか？−10−10-10101010

8 linear-algebra  regression  svd