Binomo의 뉴스 기능 사용

마지막 업데이트: 2022년 4월 19일 | 0개 댓글
  • 네이버 블로그 공유하기
  • 네이버 밴드에 공유하기
  • 페이스북 공유하기
  • 트위터 공유하기
  • 카카오스토리 공유하기
친구들과 지식을 공유하십시오!

칸아카데미는 해당 브라우저를 지원하지 않습니다. [닫기]

If you're seeing this message, it means we're having trouble loading external resources on our website.

웹 필터가 올바르게 작동하지 않으면 도메인 *. kastatic.org*.kasandbox.org이 차단되어 있는지 확인하세요.

이항확률변수

Binompdf와 binomcdf 함수

이항확률변수

동영상 대본

이 영상에서 배울 것은 이항확률변수를 다루는 문제들을 그래핑 계산기로 푸는 것이고 이 영상에서 배울 것은 이항확률변수를 다루는 문제들을 그래핑 계산기로 푸는 것이고 AP 통계학 시험에서는 그래핑 계산기가 허용되어 있기 때문에 이것을 배우는 것은 유용할 것입니다 그리고 계산기는 실질적으로 시간을 매우 절약해 줄 수 있습니다 그래서 여기 문제를 보면 자유투 성공률이 0.35라고 합니다 자유투를 일곱 번 던져서 네 번 성공할 확률은 얼마일까요? 이것은 고전적인 이항확률변수 문제입니다 이항확률변수 X를 일곱 개 중에 성공한 자유투 수라고 한다면 일곱 번의 시행 혹은 슛이 되겠네요 일곱 번의 시행입니다 그리고 성공률은 각 자유투 당 0.35입니다 결국 이 문제에서 물어보는 것은 이항확률변수 X가 4일 때 확률입니다 이제 봐야할 것은 TI-84에서 사용할 함수인데 binomc가 아니라 binompdf입니다 이것은 이항확률분포함수의 약자입니다 여기서 해야할 일은 세 개의 인수를 사용하는 것입니다 첫 번째는 시행 횟수입니다 이 경우에는 7이 되겠죠 만약 AP 시험의 주관식 문제를 풀고 있다면 여기 이곳이 n이라는 것을 명확하게 해줘야 하는데 이는 채점자가 실질적으로 여러분이 단순히 뭐가 어디 들어가는지 추측하고 있지 않길 바라기 때문입니다 그래서 이것을 n이라고 써주고 그리고 확률 0.35를 쓰는데 다시 한 번 만약 시험을 보고 있다면 이것이 p라는 것을 표시해 주어야 합니다 그리고 마지막이지만 중요한 것이 자유투 성공률이 각각 0.35이고 일곱 번의 시행을 할 때 자유투 성공률이 각각 0.35이고 일곱 번의 시행을 할 때 자유투를 정확히 네 번 성공할 확률입니다 자유투를 정확히 네 번 성공할 확률입니다 이제 계산기를 꺼내서 직접 사용해 봅시다 여기 그래핑 계산기를 가져왔습니다 이것을 입력하는 방법은 두 가지가 있는데 시간이 걸리지만 직접 입력하는 방법이 있고 아니면 2nd를 누르고 여기 파란색 distr를 누릅니다. 그러면 이런 것이 뜹니다 함수를 선택하기 위해서는 스크롤을 내리거나 스크롤을 올려서 리스트의 마지막으로 갈 수 있습니다 그리고 여기 binompdf가 보이죠? A를 눌러서 빠르게 선택할 수도 있고 그냥 스크롤을 올릴 수도 있습니다 enter를 누르고 시행 횟수를 입력합니다 시행 횟수를 입력합니다 일곱 번의 시행을 합니다 각 시행에서 성공확률은 0.35이고 x 값은 문제에서 이항확률변수가 4인 경우의 확률을 구하라고 했으니까 시행들 중에 네 번의 성공입니다 이제 paste를 선택하면 사실상 이 버튼은 했던 것들을 입력해 줍니다 이것이 같은 것이란 걸 알겠죠? 그래서 일곱 번의 시행, p=0.35 그리고 네 번 성공할 확률을 구하고자 합니다 그리고 그냥 enter를 누릅니다 그러면 0.14를 얻었습니다 따라서 이것은 약 0.14와 같습니다 이번에는 같은 이항확률변수에서 다섯 번 이하의 자유투만 넣을 확률은 얼마인지 물어보네요 따라서 X가 5보다 작을 확률이라고 써주고 혹은 X가 4보다 작거나 같을 확률이라고 할 수도 있습니다 이런 식으로 쓴 이유는 이걸 이용하면 계산기에서 이항누적분포함수를 사용할 수 있기 때문입니다 따라서 binom만 입력하고 누적분포함수를 의미하는 cdf를 입력합니다 누적분포함수를 의미하는 cdf를 입력합니다 그리고 역시 일곱 번의 시행이고 각 시행의 성공 확률은 0.35입니다 그리고 이제 여기에 4를 입력하면 자유투를 네 번 성공할 확률을 의미하는 것이 아니라 자유투를 0, 1, 2, 3, 그리고 4번 성공할 확률입니다 따라서 이항확률변수의 모든 결과를 이 숫자 이하에 대해 나타내죠 그러면 계산기를 다시 가져오겠습니다 다시 한 번 2nd를 누르고 distr를 누릅니다 스크롤을 올려서 리스트의 맨 마지막부터 보면 여기 보이시죠? 이항누적분포함수라고 되어 있죠? 거기까지 가서 enter를 누릅니다 다시 한 번 일곱 번의 시행과 p = 0.35 이고 X값은 4입니다 하지만 이번에는 이항확률변수가 4인 경우의 확률을 구해주는 것이 Binomo의 뉴스 기능 사용 아니라 4를 포함한 4까지의 값들에 대한 확률을 구해줄 것입니다 따라서 더 큰 확률이겠네요 약 0.94가 나왔습니다 그러면 이것이 0.94입니다 배운 것이 도움이 됐길 바랍니다 이런 계산기들은 특히 AP 통계학 시험과 같은 것에 매우 유용합니다

BING 지도 - 영어 뜻 - 영어 번역

Any use of the maps functionality on this site shall be governed by the End User Terms of Use for Microsoftâ€TMs Bing Maps application.

Any use of the maps functionality on this site shall be governed by the End User Terms of Use for Microsoft's Bing Maps application.

To facilitate this we load an image from Google Maps or Bing Maps saving the route data and map image on our server.

Power BI integrates with Bing Maps to provide default map coordinates(a process called geo-coding) so you can create maps.

한국어 - 영어

영어 - 한국어

and required to achieve the purposes illustrated in the cookie policy. If you want to know more or withdraw your consent to all or some of the cookies, please refer to the cookie policy .
By closing this banner, scrolling this page, clicking a link or continuing to browse otherwise, you agree to Binomo의 뉴스 기능 사용 the use of cookies.

Opt-Out of the sale of personal information
We won't sell your personal information to inform the ads you see. You may still see interest-based ads if your information is sold by other companies or was sold previously. Opt-Out Dismiss

Google과 Binomial은 Basis의 소스 코드를 공개했습니다.

기초

최근 Google과 Binomial은 소스 코드를 공개했다고 발표했습니다. Universal Basis, 어느 텍스처 및 관련 .basis 파일 형식을 효율적으로 압축하는 코덱입니다. 이미지와 비디오를 기반으로 텍스처를 배포합니다. 참조 구현 코드는 C ++로 작성되었으며 Apache 2.0 라이선스에 따라 제공됩니다.

보편적 기준 Draco 3D 데이터 압축 시스템 보완 GPU 용 텍스처 전달 문제를 해결하려고합니다.

지금까지 개발자는 고성능을 허용하지만 GPU에 국한되고 많은 디스크 공간을 차지하는 저수준 형식과 크기를 줄일 수 있지만 크기를 줄일 수있는 다른 형식 중에서 선택하는 데 제한을 받았습니다. 성능면에서 GPU 텍스처와 경쟁 할 수 있습니다.

Basis 정보

Basis Universal 형식 네이티브 GPU 텍스처의 성능 수준을 달성 할 수 있지만 더 높은 수준의 압축을 Binomo의 뉴스 기능 사용 제공합니다.

베이스는 사용하기 전에 다양한 저수준 GPU 텍스처 형식으로 빠른 트랜스 코딩을 제공합니다. 데스크톱 시스템과 모바일 장치 모두에서 사용됩니다.

현재, 스트리밍은 형식으로 지원됩니다. PVRTC1 (4bpp RGB), BC7 (6 RGB 모드), BC1-5, ETC1 및 ETC2. 향후 A Binomo의 뉴스 기능 사용 Binomo의 뉴스 기능 사용 모드가 지원 될 예정입니다.BC4의 경우 STC (RGB 또는 RGBA) 및 5/7 RGBA, PVRTC4의 경우 1bpp RGBA.

형식의 텍스처는 비디오 메모리를 6 ~ 8 배 적게 차지하고 JPEG 형식에 기반한 일반적인 텍스처보다 약 10 배 적은 데이터가 필요하고 RDO 모드의 텍스처보다 25-XNUMX % 적습니다.

예를 들어 JPEG 이미지 크기가 891KB이고 ETC1 텍스처가 1MB 인 경우 기본 형식의 데이터 크기는 최고 품질 모드에서 469KB입니다.

비디오 메모리에 텍스처를 배치 할 때 JPEG 및 PNG 형식의 테스트에 사용 된 Binomo의 뉴스 기능 사용 텍스처는 16MB의 메모리를 사용했으며 기본 형식의 텍스처는 BC2, PVRTC1 및 ETC1로 전송하는 경우 1MB의 메모리가 필요했습니다. , AC4로 전송하는 경우 7MB.

이항 유니버설 텍스처

기존 애플리케이션을 Basis Universal로 변환하는 프로세스는 매우 간단합니다.

프로젝트에서 제공하는 "basisu"유틸리티를 사용하여 필요한 품질 수준을 선택하여 기존 텍스처 또는 이미지를 새 형식으로 간단히 레코딩합니다.

또한 응용 프로그램에서 코드 전에 인코더를 초기화해야하며 이는 중간 형식을 현재 GPU 호환 형식으로 변환하는 역할을합니다.

동시에, 전체 처리 체인의 이미지는 압축 된 상태로 유지됩니다. 압축 된 형태로 GPU에 다운로드하는 것을 포함합니다. GPU는 전체 이미지를 사전에 레코딩하는 대신 이미지의 필요한 부분 만 선택적으로 디코딩합니다.

단일 파일 텍스처 배열에 저장 지원 (큐브 맵), 벌크 텍스처, 텍스처 배열, 밉맵 레벨, 비디오 스트림 또는 임의의 텍스처 스 니펫.

예를 들어 단일 이미지 시리즈 파일로 패키징하여 작은 비디오를 만들거나 모든 이미지에 대한 공통 팔레트를 사용하여 여러 텍스처를 결합하고 일반적인 이미지 템플릿의 중복을 제거 할 수 있습니다.

Google은 기본이 표준이되기를 원합니다.

Basis Universal 인코더 구현은 OpenMP를 사용하는 다중 스레드 인코딩을 지원합니다. 레코더는 단일 스레드 모드에서만 작동합니다.

또한 브라우저 디코더 Basis Universal은 웹 형식으로 제공됩니다., WebGL 기반 웹 애플리케이션에서 사용할 수 있습니다.

궁극적으로, Google은 모든 주요 브라우저에서 Basis Universal을 지원하고 홍보 할 계획입니다. Vulkan, Metal 및 Direct3D API 12와 개념적으로 유사한 WebGL 및 향후 WebGPU 사양에 대한 이식 가능한 텍스처 형식입니다.

GPU 측에서만 비디오를 사후 처리와 통합 할 수있는 기능으로 인해 Basis Universal은 WebAssembly 및 WebGL에서 동적 사용자 인터페이스를 만드는 데 흥미로운 솔루션이되었습니다.이 솔루션은 최소한의 부하로 수백 개의 작은 비디오를 동시에 미러링 할 수 있습니다. CPU.

기존 코덱과 함께 WebAssembly에서 SIMD 명령을 사용하는 기능조차도 이러한 수준의 성능은 아직 달성 할 수 없으므로 일반 비디오를 적용 할 수없는 영역에서 텍스처 기반 비디오를 사용할 수 있습니다.

기사의 내용은 우리의 원칙을 준수합니다. 편집 윤리. 오류를보고하려면 여기에.

기사 전체 경로 : Linux에서 » 뉴스 » Google과 Binomial은 Basis의 소스 코드를 공개했습니다.

"Binary Gambit"– 뉴스에서 거래 Olymp trade

olymp trade

친구들과 지식을 공유하십시오!

누구나 금융 시장에 Binomo의 뉴스 기능 사용 Binomo의 뉴스 기능 사용 이익을 보장하는 "황금 열쇠"를 찾고 싶어합니다.

이제는 사용법이 간단 할뿐만 아니라 매우 효과적이기도 한 하나의 거래 전략에 대해 알려 드리겠습니다.

그것은 위험을 최소화하고 중요한 경제 뉴스를 사용하여 좋은 돈을 벌 수 있습니다.

전략의 아이디어

우선 거래 플랫폼을 통해 거래를 취소 할 수 있어야합니다. 모든 브로커가이 기능을 지원하는 것은 아니므로 예제로 OLYMPTRADE 브로커를 사용하여 전략을 시연합니다.

이 브로커를 사용하여 거래하면 가격이 잘못된 방향으로 움직이고 있음을 알게되면 거래를 취소 할 수 있습니다. 이것은 매우 중요한 기능이며, 이제 왜 그런지 설명해 드리겠습니다.

또한 여러 나라에 관한 중요한 뉴스가 모두 게재되는 경제 달력이 필요합니다.

물론 6-7에 대한 위험없이 돈을 벌 수있는 뉴스는별로 없습니다.

그러나, 그것은 당신이 약간 소득을 생성하는 것으로 충분할 것입니다.

주식 및 옵션에 대한 전략 사용

olymp trade 로그인

단계 1. Economic Calendar에서 가장 중요한 뉴스를 찾으십시오. 이 소식은 세 개의 황소 머리로 표시됩니다. 단계 2. 뉴스의 통화로 통화 쌍을 선택하십시오. 예를 들어 뉴스가 독일에서 온 경우 통화는 EUR이고 EURUSD는 선택합니다.

단계 3. 뉴스가 공개되기 1 분 전에 10 분 동안 두 번의 거래를 엽니 다. 하나는 "UP"거래이고 다른 하나는 "DOWN"거래입니다. 단계 4. 2-3 분 후에 가격이 어느 방향으로 움직이는 지 분명해질 것입니다. 그 때 당신은 잃는 무역을 취소해야합니다. "취소"버튼을 누르면 베팅의 일부가 환불됩니다. 조기에 거래를 취소하면 돈을 더 많이 돌려받을 것입니다. 단계 5. 다른 거래가 만료 될 때까지 기다리고 이익을 취하십시오!

전략 결과

우리가 모든 무역에 1000 루블을 투자한다면, 우리는 invest사항 1000 x 2 = 2000 루블.

패배 한 거래의 취소로 인한 회수는 40 %입니다. 그래서 우리는 400 루블을 되 찾을 것입니다 (600 루블은 우리의 손실입니다).

두 번째 거래의 순 이익은 80 %입니다. 그래서 800 루블을 얻습니다.

총계 : 800 - 600 = 200 루블.

많은 위험 부담없이 200 분에 10 루블을 얻을 수 있습니다.

각 거래액에 $ 200의 최대 금액을 투자하면 단 몇 분 안에 $ 40을 얻을 수 있습니다.

OLYMP TRADE 추천

이 전략은 영국 (GBP / USD), 일본 (USD / JPY), 미국 (USD / JPY) 및 캐나다 (USD / JPY) 뉴스와 함께 사용해야합니다. CAD). 또한 Eurozone (EUR / USD)에서 가장 중요한 뉴스를 사용할 수 있습니다.

그러나이 경우 매우 신중해야합니다. 동시에 미국 뉴스를 조심하십시오. 어떤 것이 있으면 가격 움직임이 예측 불가능할 수 있습니다.

면책 조항 :

선물, 주식 및 옵션 거래는 손실 위험이 크며 모든 투자자에게 적합하지 않습니다. 선물, 주식 및 옵션의 평가는 변동될 수 있으며 결과적으로 고객은 원래의 투자보다 많은 손실을 입을 수 있습니다. 계절적 및 지정 학적 사건의 영향은 이미 시장 가격 및 주식에 반영되어 있습니다.

선물 거래의 활용도가 높다는 것은 작은 시장 움직임이 거래 계좌에 큰 영향을 미치며 큰 손실을 초래하거나 큰 이익을 가져올 수 있음을 의미합니다.

시장이 당신에 대해 움직인다면, 귀하는 귀하가 귀하의 계좌에 입금 한 금액보다 많은 손실을 입을 수 있습니다. 귀하가 사용하는 모든 위험과 재정적 자원과 선택한 거래 시스템에 대한 책임은 귀하에게 있습니다.

귀하가 진입하는 거래의 본질과 귀하의 손실 노출 정도를 완전히 이해하지 않는 한 거래에 참여해서는 안됩니다. 이러한 위험을 완전히 이해하지 못하면 재정 고문으로부터 독립적 인 자문을 구해야합니다.

glmfit

b = glmfit( X , y , distr ) 은 분포 distr 을 사용하여, X 의 예측 변수에 대한 y 의 응답 변수의 일반화 선형 회귀 모델에 대한 계수 추정값으로 구성된 벡터 b 를 반환합니다.

b = glmfit( X , y , distr , Name,Value ) 는 하나 이상의 이름-값 인수를 사용하여 옵션을 추가로 지정합니다. 예를 들어, 모델에서 상수항을 생략하려면 'Constant','off' 를 지정할 수 있습니다.

[ b , dev ] = glmfit( ___ ) 은 피팅의 이탈도를 나타내는 값 dev 도 반환합니다.

[ b , dev , stats ] = glmfit( ___ ) 은 모델 통계량 stats 도 반환합니다.

프로빗(Probit) 연결 함수를 사용하여 일반화 선형 모델 피팅하기

일반화 선형 회귀 모델을 피팅하고, 피팅된 모델을 사용하여 예측 변수 데이터에 대한 예측(추정)값을 계산합니다.

표본 데이터 세트를 만듭니다.

x 는 예측 변수 값을 포함합니다. 각 y 값은 n 의 대응되는 시행 횟수에 대한 성공 횟수입니다.

x 에서 y 에 대한 프로빗 회귀 모델을 피팅합니다.

추정된 성공 횟수를 계산합니다.

관측된 성공률과 추정된 성공률을 x 값에 대해 플로팅합니다.

Figure contains an axes object. The axes object contains 2 objects of type line.

사용자 지정 연결 함수를 사용하여 일반화 선형 모델 피팅하기

사용자 지정 연결 함수를 정의하고 이 함수를 사용하여 일반화 선형 회귀 모델을 피팅합니다.

열 벡터 species 는 세 가지 붓꽃 종인 setosa, versicolor, virginica를 포함합니다. 행렬 meas 는 꽃에 대한 네 가지 측정값 유형인 꽃받침 길이, 꽃받침 너비, 꽃잎 길이, 꽃잎 너비(단위: 센티미터)를 포함합니다.

예측 변수와 응답 변수를 정의합니다.

로짓 연결 함수에 대해 사용자 지정 연결 함수를 정의합니다. 연결 함수, 연결 함수의 도함수, 역연결 함수를 정의하는 세 개의 함수 핸들을 만듭니다. 함수 핸들을 셀형 배열로 저장합니다.

사용자 지정 연결 함수와 glmfit 을 사용하여 로지스틱 회귀 모델을 피팅합니다.

내장 logit 연결 함수를 사용하여 일반화 선형 모델을 피팅하고 결과를 비교합니다.

이탈도 검정 수행하기

각 예측 변수에 대해 하나의 절편 항과 일차항을 포함하는 일반화 선형 회귀 모델을 피팅합니다. 모델이 상수 모델보다 현저히 잘 피팅되는지 여부를 확인하는 이탈도 검정을 수행합니다.

두 개의 기본 예측 변수 X(:,1) 과 X(:,2) 를 갖는 푸아송 난수를 사용하여 표본 데이터를 생성합니다.

각 예측 변수에 대해 하나의 절편 항과 일차항을 포함하는 일반화 선형 회귀 모델을 피팅합니다.

두 번째 출력 인수 dev 는 피팅의 이탈도입니다.

절편만 포함하는 일반화 선형 회귀 모델을 피팅합니다. 예측 변수를 1로 구성된 열로 지정하고, glmfit 이 모델에 상수항을 포함시키지 않도록 'Constant' 를 'off' 로 지정합니다.

dev_constant 와 dev 의 차를 계산합니다.

D 는 자유도가 2인 카이제곱 분포를 갖습니다. 자유도는 dev 에 대응되는 이 모델의 추정 모수의 개수와 상수 모델의 추정 모수의 개수 사이의 차와 같습니다. 이탈도 검정에 대한 p -값을 구합니다.

p -값이 작으면 모델이 상수에 비해 크게 다름을 나타냅니다.

또는, fitglm 함수를 사용하여 푸아송 데이터로 구성된 일반화 선형 회귀 모델을 만들 수도 있습니다. 모델 표시 화면에 통계량 ( Chi^2-statistic vs. constant model )과 p -값이 포함됩니다.

피팅된 모델 객체에 devianceTest 함수를 사용할 수도 있습니다.

입력 인수

X — 예측 변수
숫자형 행렬

예측 변수로, n×p 숫자형 행렬로 지정됩니다. 여기서 n은 관측값 개수이고 p는 예측 변수 개수입니다. X 의 각 열은 하나의 변수를 나타내고, 각 행은 하나의 관측값을 나타냅니다.

기본적으로 glmfit 은 모델에 상수항을 포함시킵니다. X 에 1로 구성된 열을 직접 추가하지 마십시오. 'Constant' 이름-값 인수를 지정하여 glmfit 의 디폴트 동작을 변경할 수 있습니다.

데이터형: single | double

y — 응답 변수
벡터 | 행렬

응답 변수로, 벡터 또는 행렬로 지정됩니다.

distr 이 'binomial' 이 아니면 y 는 n×1 벡터여야 합니다. 여기서 n은 관측값 개수입니다. y 의 각 요소는 X 의 대응 행에 대한 응답 변수입니다. 데이터형은 single형 또는 double형이어야 합니다.

distr 이 'binomial' 이면 y 는 각 관측값에서의 성공 또는 실패를 나타내는 n×1 벡터이거나 첫 번째 열이 각 관측값에 대한 성공 횟수를 나타내고 두 번째 열이 각 관측값에 대한 시행 횟수를 나타내는 n×2 행렬입니다.

데이터형: single | double | logical | categorical

distr — 응답 변수의 분포
'normal' (디폴트 값) | 'binomial' | 'poisson' | 'gamma' | 'inverse gaussian'

응답 변수의 분포로, 다음 표에 있는 값 중 하나로 지정됩니다.

설명
'normal' 정규분포(디폴트 값)
'binomial' 이항분포
'poisson' 푸아송 분포
'gamma' 감마 분포
'inverse gaussian' 역가우스 분포

이름-값 인수

예: b = glmfit(X,y,'normal','link','probit') 은 응답 변수의 분포가 정규분포임을 지정하고 glmfit 에 프로빗 연결 함수를 사용하도록 지시합니다.

선택적으로 Name,Value 인수가 쉼표로 구분되어 지정됩니다. 여기서 Name 은 인수 이름이고 Value 는 대응값입니다. Name 은 따옴표 안에 표시해야 합니다. Name1,Value1. NameN,ValueN 과 같이 여러 개의 이름-값 쌍의 인수를 어떤 순서로든 지정할 수 있습니다.

B0 — 계수 추정값의 초기값
숫자형 벡터

계수 추정값의 초기값으로, 숫자형 벡터로 지정됩니다. 디폴트 값은 입력 Binomo의 뉴스 기능 사용 Binomo의 뉴스 기능 사용 데이터에서 파생된 초기 피팅 값입니다.

데이터형: single | double

Constant — 상수항에 대한 표시자
'on' (디폴트 값) | 'off'

피팅에 포함된 상수항(절편)에 대한 표시자로, 'on' (상수항 포함) 또는 'off' (모델에서 상수항 제외)로 지정됩니다.

'on' (디폴트 값) — glmfit 은 모델에 상수항을 포함시키고 계수 추정값 b 로 구성된 (p + 1)×1 벡터를 반환합니다. 여기서 p는 X 의 예측 변수 개수입니다. 상수항의 계수는 b 의 첫 번째 요소입니다.

'off' — glmfit 은 상수항을 생략하고 계수 추정값 b 로 구성된 a p×1 벡터를 반환합니다.

예: 'Constant','off'

EstDisp — 산포 모수를 계산하기 위한 표시자
'binomial' 분포와 'poisson' 분포의 경우 'off' (디폴트 값) | 'on'

'binomial' 분포와 'poisson' 분포의 산포 모수를 계산하기 위한 표시자로, 'on' 또는 'off' 로 지정됩니다.

설명
'on' 표준 오차를 계산할 때 산포 모수를 추정합니다. 추정된 산포 모수 값은 피어슨 잔차의 제곱합을 오차에 대한 자유도(DFE)로 나눈 값입니다.
'off' 표준 오차를 계산할 때 이론적 값인 1을 사용합니다(디폴트 값).

피팅 함수는 다른 분포에 대해서는 항상 산포를 추정합니다.

예: 'EstDisp','on'

Link — 연결 함수
정준 연결 함수 (디폴트 값) | 스칼라 값 | 사용자 Binomo의 뉴스 기능 사용 지정 연결 함수로 구성된 구조체 또는 셀형 배열

정준 연결 함수 대신 사용할 연결 함수로, 다음 표에 나와 있는 내장 연결 함수 중 하나로 지정되거나 사용자 지정 연결 함수로 지정됩니다.

디폴트 'Link' 값은 정준 연결 함수로, distr 인수로 지정되는 응답 변수의 분포에 따라 달라집니다.

구조체 또는 셀형 배열을 사용하여 사용자 지정 연결 함수를 지정할 수 있습니다.

세 개의 필드를 갖는 구조체. 구조체(예: S )의 각 필드는 입력값으로 구성된 벡터를 받고 동일한 크기의 벡터를 반환하는 함수 핸들을 포함합니다.

S.Link — 연결 함수, f(μ) = S.Link (μ)

S.Derivative — 연결 함수의 도함수

S.Inverse — 역연결 함수, μ = S.Inverse (Xb)

연결 함수( FL(mu) ), 연결 함수의 도함수( FD = dFL(mu)/dmu ), 역연결 함수( FI = FL^(–1) )를 정의하는 형식의 셀형 배열. 각 요소는 입력값으로 구성된 벡터를 받고 동일한 크기의 벡터를 반환하는 함수 핸들을 포함합니다.

연결 함수는 평균 응답 변수 μ와 예측 변수의 일차 결합 X*b 간의 관계 f(μ) = X*b를 정의합니다.

예: 'Link','probit'

데이터형: single | double | char | string | struct | cell

Offset — 오프셋 변수
[ ] (디폴트 값) | 숫자형 벡터

피팅의 오프셋 변수로, 응답 변수 y 와 길이가 같은 숫자형 벡터로 지정됩니다.

glmfit 함수는 Offset 을 계수 값이 1로 고정된 추가 예측 변수로 사용합니다. 즉, 피팅 수식은 다음과 같습니다.

여기서 f는 연결 함수이고, μ는 평균 응답 변수이고, X*b는 예측 변수 X의 일차 결합입니다. Offset 예측 변수의 계수는 1 입니다.

예를 들어, 푸아송 회귀 모델이 있다고 가정하겠습니다. 이론상으로는 횟수의 개수가 예측 변수 A 에 비례한다고 가정하겠습니다. 로그 연결 함수를 사용하고 log(A) 를 오프셋으로 지정하면 모델이 이론상의 제약 조건을 만족하도록 강제할 수 있습니다.

데이터형: single | double

Options — 최적화 옵션
statset(' glmfit ') (디폴트 값) | 구조체

최적화 옵션으로, 구조체로 지정됩니다. 이 인수는 glmfit 함수가 사용하는 반복 알고리즘에 대한 제어 파라미터를 지정합니다.

함수 statset 을 사용하거나 다음 표에서 설명하는 필드 및 값을 포함하는 구조체형 배열을 만들어서 'Options' 값을 만듭니다.

알고리즘이 표시하는 정보의 양

'off' — 표시되는 정보가 없음

'final' — 최종 출력값을 표시함

허용되는 최대 반복 횟수로, 양의 정수로 지정됩니다.

모수에 대한 종료 허용오차로, 양의 스칼라로 지정됩니다.

명령 창에 statset(' glmfit ') 을 입력하여 glmfit 함수가 'Options' 이름-값 인수로 받는 필드의 이름과 디폴트 값을 확인할 수도 있습니다.

예: 'Options',statset('Display','final','MaxIter',1000) 은 반복 알고리즘 결과의 최종 정보를 표시하고 허용되는 최대 반복 횟수를 1000으로 변경하도록 지정합니다.

데이터형: struct

Weights — 관측값 가중치
ones(n,1) (디폴트 값) | 음이 아닌 스칼라 값으로 구성된 n×1 벡터

관측값 가중치로, 음이 아닌 스칼라 값으로 구성된 n×1 벡터로 지정됩니다. 여기서 n은 관측값 개수입니다.

데이터형: single | double

출력 인수

b — 계수 추정값
숫자형 벡터

계수 추정값으로, 숫자형 벡터로 반환됩니다.

'Constant' 가 'on' (디폴트 값)이면 glmfit 은 모델에 상수항을 포함시키고 계수 추정값 b 로 구성된 (p + 1)×1 벡터를 반환합니다. 여기서 p는 X 의 예측 변수 개수입니다. 상수항의 계수는 b 의 첫 번째 요소입니다.

'Constant' 가 'off' 이면 glmfit 은 상수항을 생략하고 계수 추정값 b 로 구성된 p×1 벡터를 반환합니다.

dev — 피팅의 이탈도
숫자형 값

피팅의 이탈도로, 숫자형 값으로 반환됩니다. 이탈도는 한 모델이 다른 모델의 Binomo의 뉴스 기능 사용 Binomo의 뉴스 기능 사용 특수 케이스인 경우 두 모델을 비교하는 데 유용합니다. 두 모델의 이탈도 차이는 자유도가 두 모델의 추정 모수의 차와 동일한 카이제곱 분포를 갖습니다.

자세한 내용은 이탈도 항목을 참조하십시오.

stats — 모델 통계량
구조체

모델 통계량으로, 다음 필드를 갖는 구조체로 반환됩니다.

dfe — 오차에 대한 자유도

sfit — 추정된 산포 모수

s — 이론적 또는 추정된 산포 모수

estdisp — 'EstDisp' 가 'off' 이면 0, 'EstDisp' 가 'on' 이면 1

covb — b 에 대해 추정된 공분산 행렬

se — 계수 추정값 b 에 대한 표준 오차로 구성된 벡터

coeffcorr — b 에 대한 상관 행렬

t — b 에 대한 t 통계량

resid — 잔차로 구성된 벡터

residp — 피어슨(Pearson) 잔차로 구성된 벡터

residd — 이탈도 잔차로 구성된 벡터

resida — 앤스콤(Anscombe) 잔차로 구성된 벡터

이항분포 또는 푸아송 분포에 대한 산포 모수를 추정하는 경우 stats.s 는 stats.sfit 와 동일합니다. 또한, stats.se 의 요소는 해당 이론적 값에서 인자 stats.s 만큼 다릅니다.

세부 정보

이탈도는 잔차 제곱합을 일반화한 것입니다. 이탈도는 포화된 모델에 비해 피팅의 적합도를 측정합니다.

모델 M1의 이탈도는 모델 M1과 포화된 모델 Ms의 로그 가능도의 차의 두 배입니다. 포화된 모델이란 추정할 수 있는 최대 모수 개수를 갖는 모델입니다.

예를 들어, n개의 관측값 (yi, i = 1, 2, . n)이 있고 Xi T β의 값이 서로 다른 여러 개의 값일 수 있다면 n개의 모수를 갖는 포화된 모델을 정의할 수 있습니다. L(b,y)가 모수 b를 갖는 모델에 대한 가능도 함수의 최댓값을 나타낸다고 하겠습니다. 이 경우 모델 M1의 이탈도는 다음과 같습니다.

− 2 ( log L ( b 1 , y ) − log L ( b S , y ) ) ,

여기서 b1과 bs는 각각 모델 M1과 포화된 모델에 대한 추정된 모수를 포함합니다. 이탈도는 자유도가 n – p 인 카이제곱 분포를 갖습니다. 여기서 n은 포화된 모델의 모수 개수이고 p는 모델 M1의 모수 개수입니다.

두 개의 서로 다른 일반화 선형 회귀 모델 M1과 M2가 있고 M1이 M2 항의 서브셋을 갖는다고 가정하겠습니다. 두 모델의 이탈도 D1과 D2를 비교하여 모델의 피팅을 평가할 수 있습니다. 이탈도의 차이는 다음과 같습니다.

D = D 2 − D 1 = − 2 ( log L ( b 2 , y ) − log L ( b S , y ) ) + 2 ( log L ( b 1 , y ) − log L ( b S , y ) ) = − 2 ( log L ( b 2 , y ) − log L ( b 1 , y ) ) .

차이 D는 점근적으로 자유도 v가 M1과 M2에서 추정된 모수 개수의 차이인 카이제곱 분포를 갖습니다. 1 – chi2cdf(D,v) 를 사용하여 이 검정의 p-값을 얻을 수 있습니다.

일반적으로, 상수항이 하나이고 예측 변수가 없는 모델 M2를 사용하여 D를 조사합니다. 따라서 D는 자유도가 p – 1 인 카이제곱 분포를 갖습니다. 산포가 추정된 경우, 차이를 추정된 산포로 나눈 값은 분자 자유도가 p – 1 이고 분모 자유도가 n – p 인 F 분포를 갖습니다.

glmfit 은 X 또는 y 에서 NaN 을 누락값으로 처리하여 무시합니다.

대체 기능

glmfit 은 단순히 함수의 출력 인수가 필요하거나 루프에서 모델을 여러 차례 반복 피팅하려는 경우에 유용합니다. 피팅된 모델을 추가로 조사하려면 fitglm 또는 stepwiseglm 을 사용하여 일반화 선형 회귀 모델 객체 GeneralizedLinearModel 을 생성하십시오. GeneralizedLinearModel 객체는 glmfit 보다 더 많은 기능을 제공합니다.

GeneralizedLinearModel 의 속성을 사용하여 피팅된 모델을 조사하십시오. 객체 속성에는 계수 추정값, 요약 통계량, 피팅 방법 및 입력 데이터에 대한 정보가 포함됩니다.

GeneralizedLinearModel 의 객체 함수를 사용하여 응답 변수를 예측하고 일반화 선형 회귀 모델을 수정, 평가 및 시각화하십시오.

GeneralizedLinearModel 의 속성 및 객체 함수를 사용하여 glmfit 의 출력값에 있는 정보를 확인할 수 있습니다.

glmfit 의 stats .s 에 있는 산포 모수는 계수의 표준 오차에 대한 스케일링 인자이고, 일반화 선형 모델의 Dispersion 속성에 있는 산포 모수는 응답 변수의 분산에 대한 스케일링 인자입니다. 따라서 stats.s 는 Dispersion 값의 제곱근입니다.

참고 문헌

[1] Dobson, A. J. An Introduction to Generalized Linear Models. New York: Chapman & Hall, 1990.

[2] McCullagh, P., and J. A. Nelder. Generalized Linear Models. New York: Chapman & Hall, 1990.

[3] Collett, D. Modeling Binary Data. New York: Chapman & Hall, 2002.

확장 기능

GPU 배열
Parallel Computing Toolbox™를 사용해 GPU(그래픽스 처리 장치)에서 실행하여 코드 실행 속도를 높일 수 있습니다.

이 함수는 GPU 배열을 완전히 지원합니다. 자세한 내용은 GPU에서 MATLAB 함수 실행하기 (Parallel Computing Toolbox) 항목을 참조하십시오.


0 개 댓글

답장을 남겨주세요