Уча R и в момента го използвам за нелинейна регресия (която също уча). Имам два набора от данни (продължителност на операция на различни машини) и мога да намеря добра нелинейна регресия за всеки от тези набори. Сега бих искал да намеря най-добрата регресия, която минимизира сумата от двата остатъчни сбора на квадратите.
Ето какво имам:
A <- c(1:5)
B <- c(100, 51, 32, 24, 19)
C <- c(150, 80, 58, 39, 29)
df <- data.frame (A,B,C)
f <- B ~ k1/A + k2
g <- C ~ k1/A + k2
n <- nls(f, data = df, start = list(k1=10, k2=10))
p <- nls(g, data = df, start = list(k1=10, k2=10))
n
#Nonlinear regression model
# model: B ~ k1/A + k2
# data: df
# k1 k2
#101.595 -1.195
# residual sum-of-squares: 2.619
#Number of iterations to convergence: 1
#Achieved convergence tolerance: 2.568e-07
p
#Nonlinear regression model
# model: C ~ k1/A + k2
# data: df
# k1 k2
#148.044 3.593
# residual sum-of-squares: 54.19
#Number of iterations to convergence: 1
#Achieved convergence tolerance: 1.803e-07
k1 и k2 константите са (разбира се) различни и за двата набора (B и C), чудя се как бих могъл да намеря конкретен k1 и конкретен k2, които произвеждат „най-доброто“ решение и за двата набора от данни.
Надявам се обяснението ми да е разбираемо. В противен случай това, което се опитвам да намеря, е понякога (поне тук), наречена глобална нелинейна регресия.
РЕДАКТИРАНЕ: Бих искал също да знам как мога да кажа на R да избягва отрицателни стойности за конкретен параметър. В този случай бих искал k2 да е положително.