On Monday, April 4, 2016 at 12:01:19 AM UTC+2, slawek wrote:
> On Sun, 3 Apr 2016 12:17:32 -0700 (PDT), "M.M." <m...@g...com>
> wrote:
> > Dlaczego jednoprzebiegowe są do bani?
>
> Bo są do bani.
>
> Nie chce mi się, a mam jakieś 4 kg literatury na temat, napisany na
> Meritum program i na wpół napisany artykuł. Ok. Program na Meritum
> chyba gdzieś przepadł, demagnetyzacja i takie tam.
Ok. Ja swoje jeszcze mam, ale to nic wnosi.




> Ogólnie: aby algorytm był ok, to trzeba przeskalować dane wejściowe.
Wszystko zależy od danych. W tych problemach z jakimi ja się spotykałem,
rzadko trzeba było skalować dane. Żeby nie było: rozmawiamy o dopasowaniu
(dwóch lub więcej) współczynników liniowych.


> A tego nie da się zrobić przed wyczytaniem danych i przeliczeniem
> tego i owego. Klasyczny problem demona Maxwella: aby działać trzeba
> pamiętać.
No tak, tutaj muszę się zgodzić, do przeskalowania są potrzebne
dodatkowe przebiegi. Gdy pisałem że jednoprzebiegowa, to skalowania
nie zaliczyłem do elementów metody o której rozmawiamy, może mój błąd,
może nie - nieważne.


> Do tego cała koncepcja regresji, jak i tzw. "metody naj. kwadratów"
> jest bardzo uboga. Dużo lepiej jest po prostu porządnie używać metody
> największej wiarygodności.
Dla mnie regresja oznacza próbę dopasowania jednej funkcji do drugiej.
W regresji jednostajnej po prostu inne kryterium obieramy sobie do
oceny niż w regresji najmniejszych kwadratów. Co to jest metoda
największej wiarygodności - nie wiem, może jest tym samym co
jednostajna?


> Zwykła regresja to stan sprzed około 1970.
Tak bym nie argumentował, niektóre algorytmy sprzed 2tys lat mają
się nadal dobrze. Dopasowanie współczynników liniowych z błędem
średniokwadratowym ma szereg zalet.


> Zasadnicza wada? Jeden
> pitolniety punkt robi wiosnę romantyzmu i masz wtedy linię
> ortogonalną do tego co powinno być.
Można zastosować inną funkcję błędu, np pierwiastek drugiego stopnia:
( Sum_1^N | uzyskany_i - pożądany_i ) ^ 0.5 ) / N
Lepiej omija duże odchylenia, ale wymaga iterowania i pewnie ma minima
lokalne.


> Robust regression jest nieco
> lepsza. Jest jeszcze koncepcja misfit'ów.
Nie znam, a może znam, ale nie wiem że te metody tak się nazywają.


> Co ciekawe: lepsze metody są naprawdę lepsze, np. pozwalają
> zmniejszyć liczbę odwiertów (jeden kosztuje milion USD).

Dlatego zadałem na początku (mniej/więcej) takie pytanie: do
czego to jest potrzebne? Nikt nie napisał, że do odwiertów :D

Pozdrawiam