如何解决使用指数模型函数的 Python 约束分位数回归——这可能吗?
我到处搜索如何在 Python 中完成此操作,但到目前为止都没有运气。
x = [1.0,2.0,3.0,4.0,5.0,6.0,7.0,8.0,9.0,10.0,11.0,12.0]
y = [125.0,100.0,80.0,77.0,65.0,40.0,55.0,52.0,33.0,30.0,31.0,20.0]
我想使用分位数回归来拟合数据,这样我就可以使用指数函数获得所需分位数输入(0.1、0.5、0.9 等)的最佳拟合参数(A 和 B):
y = A*e**(Bx)
此外,我还希望能够对 A 和 B 的值应用约束,其中: 100
我查看了 StatsModels 分位数回归包 (https://www.statsmodels.org/dev/examples/notebooks/generated/quantile_regression.html),但所有解决方案和示例都集中在简单的线性问题上 - 没有一个具有指数模型函数。
Scipy.optimize.curve_fit 可以处理指数模型函数 (https://docs.scipy.org/doc/scipy/reference/generated/scipy.optimize.curve_fit.html),但它使用最小二乘优化并且不是分位数回归。
Python 中是否有另一个包可以使用指数模型进行分位数回归?或者有没有办法改变指数问题以适应 StatsModels Quantile Regression 包的能力?
提前致谢。
版权声明:本文内容由互联网用户自发贡献,该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容, 请发送邮件至 dio@foxmail.com 举报,一经查实,本站将立刻删除。