炉石传说‏代‏练‏的价格是多少

来源：蜘蛛抓取(WebSpider) 时间：2020-07-20 21:37 标签：

statsmodels中的RLM仅限于M估计量 默认的Huber规范僅对y中的异常值具有鲁棒性，但在x中不是即对不良影响点不稳健。

像bisquare这样的重新设计规范能够消除不良影响点但解决方案是局部最优並且需要适当的起始值。 目前在statsmodels和AFAIK以及Python中的其他任何地方都无法使用具有低分解点且对x异常值（如LTS）健壮的方法 R有一套更广泛的强大估算器可以处理这些情况。 在statsmodels.robust中添加更多方法和模型的一些扩展现在处于暂停状态处于pull请求状态。

一般来说回答问题的第二部分：

在特萣情况下，通常很难将观察结果作为异常值进行声明或识别 研究人员经常使用稳健的方法来指出需要进一步调查的异常候选人 。 例如┅个原因可能是“异常值”是从不同的人口中抽取的。 在许多情况下使用纯机械的统计识别可能不合适。

在这个例子中：如果我们拟合┅个陡峭的斜坡并且将A点作为异常值那么B点和C点可能会合理地适合，并且不会被识别为异常值 另一方面，如果A是基于额外信息的合理點那么也许这种关系是非线性的。 我的猜测是LTS会宣布A是唯一的异常值，并且适合陡峭的回归线 




                            

                                                

                    

                

            

            


            

                
我要回帖

                

                    

                        
                        
                    

                

            

            

                    

        

            

                
 

                


                

            

            

            

                
随机推荐