程序员经验分享-hwhale

多元线性回归 stata

2023-05-16

文章目录

  • 回归的思想，任务，使命，分类
  • 线性回归一定只能用于有线性关系的变量吗
  • 数据的分类
  • 数据的标准化处理
  • 最小二乘法拟合一元线性回归方程的几个结论
  • 回归系数的解释
  • 遗漏变量会造成内生性（扰动项和变量相关）
  • 弱化完全无内生性的条件
  • 虚拟变量
  • 怎么评估回归质量/拟合效果分析——判定系数（拟合优度）
  • 调整的拟合优度（引入自变量的个数到判定系数的计算中）
  • 扰动项必须是“同方差”和“无自相关”的球型扰动项
  • 稳健标准误处理数据异方差
  • stata回归结果解读
  • 异方差是什么，怎么检验和处理
    • bp检验
    • white检验
  • 多重共线性的表现
  • 梳理横截面数据的回归步骤
  • 逐步回归
    • 向前逐步回归
    • 向后逐步回归
  • 比较

回归分为解释性回归和预测性回归

预测型回归对预测精度要求较高，可以在模型中添加平方项和交互项甚至高次项进行改进模型，不一定只有线性项

但是加入的自变量如果过多，比如4个变量，再加上他们的平方项，8个变量对于小样本的话很容易出现过拟合，和NN很像，对这些样本的表示已经特别完备了，预测能力很好，但是对于样本外的数据预测效果很差

在这里插入图片描述

因变量如果是0-1变量则为0-1回归

回归的思想，任务，使命，分类

在这里插入图片描述因变量y可以分为
在这里插入图片描述所以回归可以分类为
在这里插入图片描述
下面这个0-1回归的例子中的因变量自变量都是0-1变量
在这里插入图片描述在这里插入图片描述在这里插入图片描述在这里插入图片描述在这里插入图片描述

回归就是拟合的后续
回归就是拟合的后续
回归就是拟合的后续

但是多元线性回归指定了函数形式是多元线性函数，拟合的时候不能随便采用别的多项式函数或其他自定义函数

用最小二乘法计算出公式（函数的形式可以由经验、先验知识或对数据的直观观察决定，或者直接使用多项式）里的系数，拟合就完成了，但是回归的工作还没有结束，还需要去研究这些系数（这个公式）的可信度，每个系数对因变量的影响，因为回归分析认为真正的拟合系数应该是一个随机变量而非确值，拟合用最小二乘求出来的这些系数只是对真正系数的一个点估计，所以有必要继续去研究区间估计或者假设检验。总之，拟合只是求出一条曲线能反映数据的趋势就行了，但是回归的要求是更高的更精确的。

对拟合得到的系数进行进一步估计和检验
在这里插入图片描述在这里插入图片描述在这里插入图片描述在这里插入图片描述在这里插入图片描述

解释y的形成机制就是通过建立x，y的数学关系式
在这里插入图片描述

感觉相关分析就是回归分析的前两步，但是使用的方法不是通过相关

逐步回归后面讲，筛选最有效的几个变量，剔除不重要的变量，简化回归模型

在这里插入图片描述

线性回归一定只能用于有线性关系的变量吗

首先必须明确，多元线性回归中的“线性”是一个假定。是需要去检验的！
在这里插入图片描述
在这里插入图片描述
非线性关系，如对数关系也是可以用线性回归的，只要先化成这个形式

数据的预处理主要是注意异常值，异常值，离群点对回归模型的影响是非常大的
在这里插入图片描述
可以在excel中求出变量的对数项，平方项，交互项（x1*x2），然后用spss画散点图看看有没有线性关系
在这里插入图片描述在这里插入图片描述在这里插入图片描述

数据的分类

在这里插入图片描述在这里插入图片描述在这里插入图片描述
在这里插入图片描述在这里插入图片描述
用回归找出所有指标中最重要的几个

那么受到启发的我们就可以用回归去找和患某病最相关的基因位点（2016年研究生国赛B题）
在这里插入图片描述

数据的标准化处理

不管干啥，主成分分析啦，回归啦，要想消除量纲的影响，就要对数据进行标准化处理，这算数据预处理的内容
在这里插入图片描述

最小二乘法拟合一元线性回归方程的几个结论

在这里插入图片描述在这里插入图片描述

回归系数的解释

在这里插入图片描述在这里插入图片描述多元线性回归模型中的回归系数

在这里插入图片描述
比如
在这里插入图片描述

遗漏变量会造成内生性（扰动项和变量相关）

多元线性回归一定要避免内生性，使得模型具有外生性

所以如果要使用多元线性回归，是一定要检验模型是否具有外生性的，这可以通过检验每一元变量和扰动项的相关系数
在这里插入图片描述

弱化完全无内生性的条件

在这里插入图片描述

虚拟变量

虚拟变量对于有定性变量的问题是非常重要的，很多现实问题都有定性变量，并且定性变量一般还比定量变量多呢

有的时候让你研究工资的高低是否和性别有关，贷款申请成功与否是否和申请人所处地域有关，你一般只能想到做相关性分析，算相关系数啥的，但是其实也可以通过设置虚拟变量进行回归分析，获得更准确的公式表达，从另一个角度解决问题

虚拟变量是0-1变量，指示变量

既然主要探究的就是性别和地域分别对于工资和贷款申请成功率的影响，那么这两个因素在各自的模型里就是核心解释变量，其他变量都是控制变量

虚拟变量的回归系数表示的是其他因素相同且一定的情况下，由虚拟变量带来的对y的影响/变化，即虚拟变量两种取值的差异程度，如女性工资和男性工资的平均差异
在这里插入图片描述在这里插入图片描述
虚拟变量的数目是分类数-1
在这里插入图片描述

下图中的定性变量都是要用虚拟变量建模的，在stata中也可以用代码生成虚拟变量
在这里插入图片描述

在这里插入图片描述
stata示例

在这里插入图片描述
在这里插入图片描述
自变量还有这种复杂形式的关系，随着x1的增大，y随x2增大的更多，即y跟x2的关系不是独立于x1的
在这里插入图片描述

怎么评估回归质量/拟合效果分析——判定系数（拟合优度）

通过评估残差的样本标准差或者样本方差，进行方差分析，越小则回归模型的解释性越好，精度越高

最小二乘拟合的求解决定了残差和必须是0，所以残差的样本均值也是0

由于有两个限制条件，所以残差平方和自由度少了2个，即当有n-2个残差已知时，另外2个也就确定了。

这里样本方差是除以n-2,不是n-1，更不是n，也一样是为了保证样本方差是总体方差的无偏估计。
在这里插入图片描述

我们用样本方差度量样本的变异程度
在这里插入图片描述

在这里插入图片描述

判定系数在这里插入图片描述在这里插入图片描述

调整的拟合优度（引入自变量的个数到判定系数的计算中）

调整后的拟合优度更有参考意义

在这里插入图片描述

扰动项必须是“同方差”和“无自相关”的球型扰动项

在这里插入图片描述

稳健标准误处理数据异方差

一般数据都是异方差的，这时候用最小二乘估计的回归系数是不可靠的，针对他们的假设检验也不可靠，我们可以用稳健标准误解决

数据
定量的指标已经在excel中标准化了

在这里插入图片描述在stata中把定性变量设置为虚拟变量，然后直接多元线性回归
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
所以可以写出回归方程

高 考 总 分 = − 0.0024 ∗ A 1 + 0.1186 ∗ 平 时 成 绩 − 0.1287 ∗ 期 末 成 绩 + 0.0368 ∗ 高 考 数 学 + 0.9246 高考总分=-0.0024*A1+0.1186*平时成绩-0.1287*期末成绩+0.0368*高考数学+0.9246 高考总分=−0.0024∗A1+0.1186∗平时成绩−0.1287∗期末成绩+0.0368∗高考数学+0.9246

根据后面的解读可以知道，这个结果的F值不大，回归结果并不好，从最后的回归结果看，期末成绩竟然和高考总分负相关了，肯定不对

stata回归结果解读

（model,SS）是回归平方和SSR
(RESIDUAL,ss)是剩余平方和SSE
（total,ss）是SST，等于SSR+SSE
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
最关键的回归结果，即回归系数在第一列，后面还给了每个系数的标准差（越小越好），t检验值，t检验的p值（越小说明这个系数越显著不为0），以及置信区间
在这里插入图片描述
上图上面的红框，一个定性变量的n个虚拟变量（n为这个定性变量的取值总类数），有一个会因为多重共线性被stata自动检测到并忽略，这是因为我们本类就只需要设置n-1个虚拟变量，上面也讲来的

右边的F值越大，prob越小，则表示所有系数的联合显著性越大，即所有变量都为0的概率很低SSE

在这里插入图片描述

obs，观测数目，即样本总数

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

异方差是什么，怎么检验和处理

回归结束后一定要见检验异方差，也算检验回归结果

在这里插入图片描述在这里插入图片描述在这里插入图片描述在这里插入图片描述在这里插入图片描述在这里插入图片描述

用残差的平方表示随机误差项的方差
在这里插入图片描述
有六两种图示检验法检验异方差

一是用每个解释变量和被解释变量的散点图看
在这里插入图片描述
而是解释变量和残差平方的图像
在这里插入图片描述
所以画这个散点图
在这里插入图片描述

bp检验

原假设是同方差
在这里插入图片描述
原假设：扰动项不存在异方差
P值大于0.05，说明在95%的置信水平下接受原假设，即我们认为扰动项不存在异方差。

这大概就是为啥上面加了robust得到的回归结果相同的理由了，因为不存在异方差

white检验

在这里插入图片描述

怀特检验原假设：
不存在异方差

结果p大于0.05，接受原假设，不存在异方差

这个例子就是有异方差的咯
在这里插入图片描述
画出回归的残差
在这里插入图片描述
在这里插入图片描述在这里插入图片描述

多重共线性的表现

在这里插入图片描述

梳理横截面数据的回归步骤

这里只研究截面数据的多元回归

excel数据导入stata会自动认为是截面数据

先检验各个自变量的相关性（更好地做法是，一上来先把所有变量都放在回归模型中，然后观察结果，然后再检验自变量的相关性，根据相关性剔除一些变量再次回归查看结果）

所有回归必须用robust
在这里插入图片描述

在这里插入图片描述
在这里插入图片描述

pwcorr CAR HOUSE, sig //计算pearson相关系数
pwcorr CAR HOUSE, star(.05) // 用星标表示显著性，喜欢这个一些

在这里插入图片描述

发现house和car有相关性以后，就剔除了car变量，再次回归得到的F值变大了
在这里插入图片描述

多重共线性检验
在这里插入图片描述在这里插入图片描述
在这里插入图片描述在这里插入图片描述

逐步回归

向前逐步回归

在这里插入图片描述

向后逐步回归

在这里插入图片描述

比较

所有变量一起回归，只有部分结果

在这里插入图片描述
方差膨胀系数，说明有明显的多重共线性
在这里插入图片描述

向后

在这里插入图片描述在这里插入图片描述

向前

在这里插入图片描述在这里插入图片描述

可以看到，向前回归得到了22个变量，向后得到了21个变量，向后逐步回归的F值最大，向前和向后的方差膨胀系数几乎相等，所以对多重共线性的解决是不错的，二者的判定系数也几乎一样。

基本上剔除的变量都是地域的分类变量，说明多重共线性也主要是他们引起的

代码：

clear
//import excel "E:\BOOKS\数模\清风\数模基础模型和代码\清风数模视频配套的代码讲义以及拓展资料\第7讲.多元回归分析7.27\拓展资料\毕业论文的数据和代码\model1\model1_data.xlsx", sheet("Sheet1") firstrow
//save "E:\BOOKS\数模\清风\数模基础模型和代码\清风数模视频配套的代码讲义以及拓展资料\第7讲.多元回归分析7.27\拓展资料\毕业论文的数据和代码\model1\model1_data.dta"
// ssc install outreg2 首次使用outreg2要先安装
use "E:\BOOKS\数模\清风\数模基础模型和代码\清风数模视频配套的代码讲义以及拓展资料\第7讲.多元回归分析7.27\拓展资料\毕业论文的数据和代码\model1\model1_data.dta"
tab ADDRESS,gen(A)  
set matsize 2000
//reg SUCCESS INTEREST MONTHS HOUSE CAR Year AGE LNAMOUNT INCOME CREDIT WORKTIME MARRY EDUCATION A1 A2 A4-A31,r
//异方差检验，BP检验，但bp检验不适用于鲁邦回归
//estat hettest CREDIT INCOME AGE  //检验这几个变量是否引起异方差
//estat hettest ,rhs iid
//异方差检验，怀特检验
//estat imtest,white
//est store m1 //把刚跑完的回归取名m1
//outreg2 [m1] using model1.doc,replace  //输出回归表m1到word,后缀改为xls则输出到excel
//outreg2 [m1] using model1.xls
//回归结束后对系数进行检验，检验这些变量的系数是否显著（不为0）
//test A1=1  检验A1的系数是否为1
//test A1 A2 A4 A5 A6 A7 A8 A9 A10 A11 A12 A13 A14 A15 A16 A17 A18 A19 A20 A21 A22 A23 A24 A25 A26 A27 A28 A29 A30 A31  // 零假设是这些变量的系数都不显著（即都为0）
//pwcorr CAR HOUSE, sig //计算pearson相关系数
//pwcorr CAR HOUSE, star(.05)
reg SUCCESS INTEREST MONTHS HOUSE Year AGE LNAMOUNT INCOME CREDIT WORKTIME MARRY EDUCATION A1 A2 A4-A31,r
estat vif
//向后逐步回归,参数b表示标准化系数，r表示稳健标准误
stepwise reg SUCCESS INTEREST MONTHS HOUSE Year AGE LNAMOUNT INCOME CREDIT WORKTIME MARRY EDUCATION A1 A2 A4-A31,r b pr(0.01)
//异方差检验，怀特检验
//estat imtest,white
estat vif
//向前逐步回归,参数b表示标准化系数，r表示稳健标准误,这三参数之间必须用空格隔开不可以用逗号
stepwise reg SUCCESS INTEREST MONTHS HOUSE Year AGE LNAMOUNT INCOME CREDIT WORKTIME MARRY EDUCATION A1 A2 A4-A31,r b pe(0.01)
estat vif
本文内容由网友自发贡献，版权归原作者所有，本站不承担相应法律责任。如您发现有涉嫌抄袭侵权的内容，请联系:hwhale#tublm.com(使用前将#替换为@)

多元线性回归 stata 的相关文章

  • 使用STM32F103做CAN的收发通信

    下面也是搭建嵌入式系统所必须的一个部分 参考网站 xff1a https www cnblogs com craigtao p 3645148 html https blog csdn net qq 29413829 article det

  • 解决matlab遇到的“错误使用 mex未找到支持的编译器或 SDK。”

    解决matlab遇到的 错误使用 mex未找到支持的编译器或 SDK 因为coco数据集转pascal数据集需要用到matlab的以下代码 xff1a span class token function mex span span clas

  • STM32开发 数据包环形队列

    目录 前言一 构建环形队列结构体二 队列初始化三 读写数据1 队列满判断2 队列空判断3 队列写入数据4 队列读取数据 四 实际使用 前言 环形队列的理论知识网上有很多文章 xff0c 这里我就仅通过代码分享一下使用经验 xff0c 在我的

  • 静态链接库lib和动态链接库ddl的区别和联系

    静态链接库lib和动态链接库ddl的区别 联系 xff1a 都是在链接阶段使用的 区别 xff1a 不同的是静态链接库中的代码会直接放到exe中 xff0c 而动态链接库在使用时才会被加载到这个exe执行的内存空间 xff0c 所以使用静态

  • 单片机与上位机的串行通信

    写在前面 这篇博客主要记录下单片机是如何通过TXD RXD与上位机进行数据交换的 先介绍下51单片机中与串口通信有关的各种寄存器 首先 xff0c 上位机如果要发送数据给单片机 xff0c 单片机接收到数据之后 xff0c 会存入到SBUF

  • 【C++知识】关于迭代器失效的几种情况

    前言 关于面试时有被问到过这类问题 xff0c 当时由于只一知半解 xff0c 回答的不是特别好 xff0c 所以今天自己特意来实验一下 希望能帮助大家有同样疑惑的人解答疑惑 xff01 目录 关于迭代器失效的几种情况 1 序列式容器迭代器

  • Yolov3+C+++opencv+VS2015成功检测

    nbsp 前言 nbsp nbsp nbsp 最近在用yolov3进行目标检测 也有一个多星期了 想把最近做出的一些成果记录下来 供大家参考下 我的运行环境是C opencv VS2015 yolov3 下面将简单介绍下yolo的一些思想

  • simulink之S函数

    s函数是system Function的简称 xff0c 用它来写自己的simulink模块 xff08 够简单吧 xff0c xff0c 详细的概念介绍大伙看帮助吧 xff09 可以用matlab C C 43 43 Fortran Ad

  • win10解决未安装任何音频输出设备

    最近刚刚更新了一下win10系统 xff0c 开始啥问题没有 xff0c 晚上睡觉关机后 xff0c 第二天开机 xff0c 小喇叭处有一个红叉 xff0c 显示未安装任何音频输出设备 查看了微软的官网以及百度了很多解决方法 xff0c 电

  • Quadcopter控制

    1 问题描述 四旋翼飞行器对角线上的两个电机旋转方向相同 xff0c 另一对与之旋转方向相反 这是使推力 xff0c 滚转 xff0c 俯仰 xff0c 偏航相互独立控制的必要条件 这可以使我们命令其中的一个动作而不影响其他动作 实际上 x

  • 入门级都能看懂的softmax详解

    项目github地址 xff1a bitcarmanlee easy algorithm interview and practice 经常有同学私信或留言询问相关问题 xff0c V号bitcarmanlee github上star的同学

  • LQR制导

    LQR制导 引言 在ardupilot中固定翼飞机横航向位置控制 xff08 制导律 xff09 采用L1制导律 xff0c 最近想将一些其他的控制理论用于ardupilot代码中 xff0c 通过ardupilot论坛 xff0c 看到已

  • 2022年度总结

    年度总结 参加工作的第一年很快就过去了 xff0c 从四月份离校到公司 xff0c 直到农历腊月27回家 xff0c 工作了9个月的时间 xff0c 总的来说工作和学习的差别还是很大的 xff0c 从学生到社畜的转换还是花了一段时间的 接下

  • HTTP基本认证

    在HTTP中 xff0c 基本认证 xff08 英语 xff1a Basic access authentication xff09 是允许http用户代理 xff08 如 xff1a 网页浏览器 xff09 在请求时 xff0c 提供 用

  • c# 设置代理服务器发送http请求

    span class token keyword using span span class token namespace System span span class token punctuation span span class

  • Blaze：高性能C++数学库

    Blaze xff1a 高性能C 43 43 数学库 本文译自 xff1a Blaze A high performance C 43 43 math library Blaze是一个用于密集和稀疏算法的开源 高性能 C 43 43 数学库

  • c/c++编译：使用CMAKE进行跨平台开发

    前言 本文介绍跨平台cmake的编写 xff0c 主要是linux和windows用cmake对项目的编译 这是一个通用模板 xff0c 能够应用到更加复杂的项目中 xff0c 项目例子用https blog csdn net qq 364

  • 对于应用层HTTP协议的学习

    lt start gt 在TCP IP协议栈中 xff0c HTTP协议处于应用层 xff0c 它在最顶层进行数据报转发给应用进程 xff0c 它是最靠近用户的那一层 它的默认端口号为80 HTTP协议是基于请求响应的协议 xff0c 那么

  • 编程开发环境搭建

    全部目录 下载 amp 安装官方下载Vs2019其它历史 版本下载 开始使用安装C 43 43 的工作负载 xff08 环境 xff09 打开vs后有这些模板创建出一个控制台应用程序更多参考文档 使用手册c 43 43 参考手册Visual

  • c++创建第一个控制台程序

    目录 创建控制台应用程序打印出Hello World 空项目创建vs自带打印的创建桌面向导 自定义创建 了解代码 抛转引玉减少为什么 什么是 include 它是预处理指令什么是iostream 它是c 43 43 标准库头件 编写前的了解

随机推荐

  • python3-操作SQLite、创建表、添加数据、查询数据

    SQLlte数据类型 SQLite能保存什么样的数据类型 可以保存空值 整数 浮点数 字符串和blob 什么是blob xff1f xff1f 是二进制大对象 例如图片 音乐 zip文件 什么是游标 游标是在数据库中用来移动和执行查询的对象

  • 初学者都能看懂的95%置信区间

    项目github地址 xff1a bitcarmanlee easy algorithm interview and practice 经常有同学私信或留言询问相关问题 xff0c V号bitcarmanlee github上star的同学

  • c# WindowForm练习项目主窗体设计

    窗体分割器 SpliContainer分割器 在项目主窗体分割成左右俩部分 设置边框线属性 MonthCalendar月历控件 添加程序所需要的按钮 退出 修改密码 添加会员 按钮 固定好左边的容器 组件 ImageList 按钮太多添加图

  • C#-WinForm班级下拉框数据绑定

    前台展示 后台方法 span class hljs keyword using span System span class hljs keyword using span System Collections Generic span c

  • C#--WinForm项目主窗体设计

    主窗体基本设置 大小 颜色 去边框 出现的位置 Panel控件 背景图 颜色 布局 xff1a Label标签 文本 字体 背景颜色 布局 按钮 布局 文本 字体颜色 背景色 底部panel 绑定控件边框 颜色 用label标签导入图标 S

  • C# -- 实现WinForm程序的密码修改

    修改窗体程序密码的示例 实现分析 前台弹出修改窗体 编写后台方法 xff0c 调用通用数据访问类Update方法 数据验证 xff0c 判断原密码是否与旧密码符合 xff0c 俩次输入的新密码是否一致 更新程序全局变量 前台弹出修改窗体 编

  • C#--WinForm--表格数据控件DataGridView--绑定模式

    官方文档 DataGridView控件提供了一种强大而灵活的以表格形式显示数据的方式 用户可以使用DataGridView控件来显示少量数据的只读视图 xff0c 也可以对其进行缩放以显示特大数据集的可编辑视图 扩展DataGridView

  • ASP.NET--网站配置、发布与部署

    网站发布前的配置信息 配置文件下载 网站发布的基本步骤 写好的项目 在本机上发布 打开目录查看 xff1a 部署网站 安装IIs 打开控制面板 程序和功能 启用或关闭Windows功能 安装后 返回控制面板 管理工具 双击打开 xff1a

  • c/c++ hash表 （哈希表、字典表）

    表 1 表 存储数据 key gt value 2 表存储数据结构的困难 怎么查找 一个一个key去比较去查找 xff1f 61 61 效率不高 3 Hash算法加快查找 将字符串的key 转成整数 使用整数找到对应的value Hash算

  • c/c++ UDP通讯

    UDP通讯 1 无连接的 不需要反复的确认和握手等待 根本不关心对方是否存在 2 不可靠 可能有丢包 和先发后到 3 UDP通讯快速 占用系统资源少 4 UDP提供作为传输层协议的最基本功能 将其他的交给用户自己来管理 UDP服务端 1 创

  • c#程序流程控制与调试技术

    If选择结构 为什么要使用关系运算符 简单If 选择结构1 逻辑运算符

  • 特征融合之基于贝叶斯理论的特征融合算法

    参考文献 xff1a 1 刘渭滨 邹智元 邢薇薇 模式分类中的特征融合方法 J 北京邮电大学学报 2017 04 5 12 2 Ma A J Yuen P C Lai J H Linear Dependency Modeling for C

  • 初学者都能看懂的蒙特卡洛方法以及python实现

    项目github地址 xff1a bitcarmanlee easy algorithm interview and practice 经常有同学私信或留言询问相关问题 xff0c V号bitcarmanlee github上star的同学

  • postman安装包

    postman34位和64位安装包 xff0c 访问API 下载地址 xff1a 链接 xff1a https pan baidu com s 1p 830DPPKumXiwMPVtKYsw 提取码 xff1a 8p6k

  • STM32入门：STM32F401CDU6库函数工程文件搭建

    STM32F401CDU6库函数工程文件搭建 根据下图的结构进行复制粘贴操作 xff0c 代码部分在本文末有贴出来 xff0c STM32F4xx DSP StdPeriph Lib V1 8 0文件下载 xff08 使用part1即可 x

  • 减小vscode-cpptools的内存占用

    在VScode菜单栏文件 gt 首选项 gt 设置 搜索C Cpp intelliSenseCacheSize 修改默认的5120为512

  • Ubuntu20.04 安装tcp调试工具mNetAssist步骤

    概述 在Ubuntu20 04上安装一个比较好用的网络调试助手mNetAssist 下载链接 mNetAssist链接 提取码 vrsm 安装 进入文件 mNetAssist release amd64 deb的所在文件夹 xff0c 然后

  • 页面加载时，添加进度条，提高用户体验

    这几个月做了个项目 xff0c 在此对一些问题做一个记录 项目是前后端分离的 xff0c 前端用的 npm 43 webpack 问题 xff1a 由于系统某页面数据量过大或网络较差等原因 xff0c 导致页面还未完全加载出来 xff0c

  • matlab绘制三维图像，用ga工具箱求解有约束的优化问题（接力遗传算法）

    绘制目标函数图像 目标函数的图像绘制为 xff08 未考虑约束条件 xff09 画法1代码 有约束的三维函数图像绘制 x1 61 10 1 10 x2 61 6 1 6 x1 x2 61 meshgrid x1 x2 f 61 exp x1

  • 多元线性回归 stata

    文章目录 回归的思想 xff0c 任务 xff0c 使命 xff0c 分类线性回归一定只能用于有线性关系的变量吗数据的分类数据的标准化处理最小二乘法拟合一元线性回归方程的几个结论回归系数的解释遗漏变量会造成内生性 xff08 扰动项和变量相

热门标签