Я подгоняю некоторые данные линейной подгонкой. Я хочу взвесить планки ошибок. До сих пор я использовал бульдогов fitting.py. Их linear_fit делает взвешенные линейные регрессии очень простыми. К сожалению, данные, с которыми я работаю, содержат ошибки как в направлении X, так и в направлении Y.
Мне было интересно, как это можно сделать практически (в Python) и теоретически (в статистическом плане).
Есть несколько вариантов:
scipy.optimize.leastsq (для общее количество наименьших квадратов)scipy.odr (для регрессия Деминга).Оба этих решения будут учитывать независимую ошибку в направлениях X и Y (массив scld в odr).
scipy.optimize.leastsq выполняет обычные наименьшие квадраты, а не общие наименьшие квадраты. Второй вариант правильный. хотя.
- person gerrit; 10.08.2016
Вы можете использовать scipy.optimize.fmin() (см. этот пример), чтобы минимизировать оценочную функцию (которую вы должны определить), которая вычисляет квадраты отклонений в направлениях x и y.
