در این مطلب، ویدئو رگرسیون غیرخطی با پایتون GEKKO با زیرنویس فارسی را برای دانلود قرار داده ام. شما میتوانید با پرداخت 15 هزار تومان ، این ویدیو به علاوه تمامی فیلم های سایت را دانلود کنید.اکثر فیلم های سایت به زبان انگلیسی می باشند. این ویدئو دارای زیرنویس فارسی ترجمه شده توسط هوش مصنوعی می باشد که میتوانید نمونه ای از آن را در قسمت پایانی این مطلب مشاهده کنید.
تصاویر این ویدئو:
قسمتی از زیرنویس این فیلم:
00:00:00,060 –> 00:00:01,650
ما یک رگرسیون غیر خطی
2
00:00:01,650 –> 00:00:04,110
از دادههایی ایجاد میکنیم که در اینجا در نقاط آبی نشان داده شده است
3
00:00:04,110 –> 00:00:06,120
،
4
00:00:06,120 –> 00:00:10,889
این همبستگی قرمز را در اینجا ایجاد میکنیم و
5
00:00:10,889 –> 00:00:12,809
پارامترهای این عبارت غیرخطی را متناسب
6
00:00:12,809 –> 00:00:15,870
میکنیم، خوب، ما با
7
00:00:15,870 –> 00:00:21,140
این دادهها شروع میکنیم XM و ym و
8
00:00:21,140 –> 00:00:25,560
سپس میخواهیم یک gecko جدید ایجاد کنیم، میدانید که
9
00:00:25,560 –> 00:00:29,189
از gecko gecko را وارد میکند و
10
00:00:29,189 –> 00:00:33,260
یک مدل جدید ایجاد میکند و M برابر است با gecko
11
00:00:33,260 –> 00:00:36,390
، مدل جدید gecko ما وجود دارد و سپس
12
00:00:36,390 –> 00:00:38,059
کاری که میخواهیم انجام دهیم این است که
13
00:00:38,059 –> 00:00:41,309
عبارت خود را در اینجا تنظیم کنیم. اجازه دهید
14
00:00:41,309 –> 00:00:43,140
فقط همبستگی را بنویسم که
15
00:00:43,140 –> 00:00:45,329
میخواهیم آن را با آن تطبیق دهیم، فقط میخواهیم بگوییم
16
00:00:45,329 –> 00:00:49,829
که Y که این است، شما محور y را
17
00:00:49,829 –> 00:00:52,770
در اینجا میدانید و این X ما است و اینها نقاط دادهای هستند که
18
00:00:52,770 –> 00:00:54,719
شما فقط صفر تا
19
00:00:54,719 –> 00:00:58,980
پنج را میدانید و ما آیا Y برابر است
20
00:00:58,980 –> 00:01:07,979
با نقطه صفر یک بار e XP بار در
21
00:01:07,979 –> 00:01:12,479
برابر X بسیار خوب، بنابراین همبستگی غیرخطی ما
22
00:01:12,479 –> 00:01:13,710
وجود دارد که میخواهیم آن را مطابقت دهیم، ما
23
00:01:13,710 –> 00:01:15,090
فقط آن را ساده نگه میداریم، بنابراین در اینجا فقط
24
00:01:15,090 –> 00:01:17,009
یک پارامتر خواهیم داشت، اما
25
00:01:17,009 –> 00:01:19,200
شما میتوانید
26
00:01:19,200 –> 00:01:24,420
اگر می خواهید، این را به چندین معادله چند پارامتری گسترش دهید خوب، ما
27
00:01:24,420 –> 00:01:26,700
X داریم که فقط
28
00:01:26,700 –> 00:01:30,299
با این برابر خواهد شد، پارامتر ما خواهد بود، بنابراین
29
00:01:30,299 –> 00:01:34,170
من آمپر RAM را انجام می دهم و مقدار
30
00:01:34,170 –> 00:01:36,689
آن برابر با X M خواهد بود، بنابراین
31
00:01:36,689 –> 00:01:40,470
از نقاط داده در آنجا استفاده می کنم. یکی از
32
00:01:40,470 –> 00:01:42,750
مواردی که من دارم این است که من یک پارامتر جدید خواهم داشت،
33
00:01:42,750 –> 00:01:45,450
این یک مقدار ثابت است، یک مقدار واحد
34
00:01:45,450 –> 00:01:49,110
برای همه نقاط داده و
35
00:01:49,110 –> 00:01:51,390
ما وضعیت را تغییر می دهیم، بنابراین به
36
00:01:51,390 –> 00:01:53,009
بهینه ساز اجازه می دهیم آن را به جای اینکه فقط
37
00:01:53,009 –> 00:01:55,530
یک مقدار به آن بدهیم، تصمیم بگیرد. اگر میخواهید
38
00:01:55,530 –> 00:01:58,469
مقدار دیگری را در آنجا قرار دهید، میتوانید به
39
00:01:58,469 –> 00:02:03,600
عنوان مثال بگویید من از 0.1 شروع میکنم، بسیار خوب، اکنون
40
00:02:03,600 –> 00:02:06,570
به خروجی خود میرویم،
41
00:02:06,570 –> 00:02:10,080
مقدار اندازهگیری شده که یک
42
00:02:10,080 –> 00:02:12,510
gecko خواهد بود، یک متغیر کنترلشده خواهد بود
43
00:02:12,510 –> 00:02:15,030
و مقدار برابر با ym است که
44
00:02:15,030 –> 00:02:17,069
این اندازهگیریها خواهد بود و سپس
45
00:02:17,069 –> 00:02:22,189
به آن میگوییم که از اندازهگیریها استفاده کند،
46
00:02:22,189 –> 00:02:25,920
بنابراین اگر وضعیت بازخورد وضعیت برابر با
47
00:02:25,920 –> 00:02:28,400
یک باشد، به این ترتیب باید پارامترها و متغیرهای خود را تنظیم کنیم
48
00:02:28,400 –> 00:02:33,420
و شما
49
00:02:33,420 –> 00:02:37,140
دادههایی را که ما میدانیم در مدل ما خوب است
50
00:02:37,140 –> 00:02:38,819
و سپس آنچه میخواهیم انجام دهیم این است
51
00:02:38,819 –> 00:02:42,780
که معادله خود را در حال حاضر درست کنیم یک
52
00:02:42,780 –> 00:02:46,109
معادله اما
53
00:02:46,109 –> 00:02:49,440
اگر ما میخواهیم 0.1 x میتوانیم چندین عدد داشته باشیم و سپس باید
54
00:02:49,440 –> 00:02:52,349
از MDX استفاده کنیم، دلیل اینکه ما باید از
55
00:02:52,349 –> 00:02:56,489
نسخه Gecko آن تابع استفاده کنیم این است
56
00:02:56,489 –> 00:02:59,010
که حلگر مبتنی بر گرادیان بتواند مشتقهای
57
00:02:59,010 –> 00:03:01,709
دقیق اول و دوم را از آن بخواهد.
58
00:03:01,709 –> 00:03:03,590
59
00:03:03,590 –> 00:03:06,659
زمانی X وجود دارد و اکنون کاری که میخواهیم
60
00:03:06,659 –> 00:03:11,430
انجام دهیم این است که گزینهای را تنظیم کنیم حالت بالا، حالتی است
61
00:03:11,430 –> 00:03:13,170
که در آن
62
00:03:13,170 –> 00:03:16,859
از این دادهها و بهینهسازی استفاده
63
00:03:16,859 –> 00:03:18,660
میکنیم، اگر میخواهید اطلاعات بیشتری در مورد
64
00:03:18,660 –> 00:03:21,359
حالتهای مختلف مشاهده کنید. به
65
00:03:21,359 –> 00:03:26,190
اینجا میرسیم به مستندات Gecko و
66
00:03:26,190 –> 00:03:29,160
از نظر اینکه gecko چه کاری انجام میدهد، ما
67
00:03:29,160 –> 00:03:32,010
این بهروزرسانی پارامتر مدل یا
68
00:03:32,010 –> 00:03:35,459
رگرسیون را با دادههای حالت پایدار انجام میدهیم، بنابراین
69
00:03:35,459 –> 00:03:37,650
حالت b.i برابر با دو است، اما تعدادی
70
00:03:37,650 –> 00:03:42,269
حالت دیگر از عملکرد وجود دارد، اجازه دهید
71
00:03:42,269 –> 00:03:46,379
به اینجا برگردم و من فقط
72
00:03:46,379 –> 00:03:50,220
با این یکی ادامه میدهم، بنابراین ما
73
00:03:50,220 –> 00:03:53,280
معادله خود را تنظیم کردهایم و اکنون کاری که میخواهیم
74
00:03:53,280 –> 00:03:57,120
انجام دهیم این است که میخواهیم این مشکل را حل کنیم،
75
00:03:57,120 –> 00:03:59,760
میخواهم بگویم نمایش برابر با نادرست است، بنابراین
76
00:03:59,760 –> 00:04:01,940
نمیخواهم حلکننده را ببینم. خروجی و
77
00:04:01,940 –> 00:04:06,480
سپس آن عملیات را قرار می دهند قبل از
78
00:04:06,480 –> 00:04:09,690
دستور حل و سپس در نهایت میخواهم
79
00:04:09,690 –> 00:04:14,909
مقدار خود را چاپ کنم،
80
00:04:14,909 –> 00:04:19,500
فقط یک مقدار را برای a میدانید و
81
00:04:19,500 –> 00:04:23,870
سپس امیدواریم نتیجه
82
00:04:23,930 –> 00:04:26,540
خوبی داشته باشیم و سپس بیایید آن را رسم کنیم، من طرح را وارد
83
00:04:26,540 –> 00:04:31,400
نکردم وجود دارد و در
84
00:04:31,400 –> 00:04:35,509
این مورد XM خواهد بود، میدانید که
85
00:04:35,509 –> 00:04:40,240
من میتوانم مقدار X نقطه و مقدار Y را انجام دهم،
86
00:04:40,240 –> 00:04:42,830
بله، این
87
00:04:42,830 –> 00:04:44,630
مقادیر پیشبینیشده ما خواهد بود.
88
00:04:44,630 –> 00:04:50,150
89
00:04:50,150 –> 00:04:57,080
بسیار خوب، پس
90
00:04:57,080 –> 00:04:59,180
یک بار دیگر اجرا می شود و
91
00:04:59,180 –> 00:05:02,210
سپس رگرسیون را برای ما انجام می دهد، این مشکل را حل می
92
00:05:02,210 –> 00:05:04,760
کند و سپس مقادیر پسرفته
93
00:05:04,760 –> 00:05:08,289
را در آنجا تولید می کند که می توانید ببینید.
94
00:05:08,289 –> 00:05:11,060
95
00:05:11,060 –>