贝叶斯线性回归模型的预测的反应gydF4y2Ba
返回gydF4y2BayFgydF4y2Ba
=预测(gydF4y2BaMdlgydF4y2Ba
,gydF4y2BaXFgydF4y2Ba
)gydF4y2BanumPeriodsgydF4y2Ba
预测的反应gydF4y2Ba贝叶斯线性回归模型gydF4y2BaMdlgydF4y2Ba
考虑到预测的数据gydF4y2BaXFgydF4y2Ba
,一个矩阵gydF4y2BanumPeriodsgydF4y2Ba
行。gydF4y2Ba
估计预测,gydF4y2Ba预测gydF4y2Ba
使用的均值gydF4y2BanumPeriodsgydF4y2Ba
维后预测分布。gydF4y2Ba
如果gydF4y2BaMdlgydF4y2Ba
之前是一个联合模型(返回的gydF4y2BabayeslmgydF4y2Ba
),然后gydF4y2Ba预测gydF4y2Ba
只使用联合先验分布和形成的创新分布预测分布。gydF4y2Ba
如果gydF4y2BaMdlgydF4y2Ba
是一个后模型(返回的gydF4y2Ba估计gydF4y2Ba
),然后gydF4y2Ba预测gydF4y2Ba
使用后的预测分布。gydF4y2Ba
南gydF4y2Ba
在数据显示缺失值,gydF4y2Ba预测gydF4y2Ba
使用list-wise删除删除。gydF4y2Ba
使用后产生的预测分布预测的预测或更新数据gydF4y2BayFgydF4y2Ba
=预测(gydF4y2BaMdlgydF4y2Ba
,gydF4y2BaXFgydF4y2Ba
,gydF4y2BaXgydF4y2Ba
,gydF4y2BaygydF4y2Ba
)gydF4y2BaXgydF4y2Ba
和相应的响应数据gydF4y2BaygydF4y2Ba
。gydF4y2Ba
如果gydF4y2BaMdlgydF4y2Ba
之前是一个联合模型,然后呢gydF4y2Ba预测gydF4y2Ba
生产前通过更新后的预测分布模型的参数,得到的信息数据。gydF4y2Ba
如果gydF4y2BaMdlgydF4y2Ba
是一个后模型呢gydF4y2Ba预测gydF4y2Ba
更新后验信息参数,获得额外的数据。完整的数据可能是由额外的数据gydF4y2BaXgydF4y2Ba
和gydF4y2BaygydF4y2Ba
,创建的数据gydF4y2BaMdlgydF4y2Ba
。gydF4y2Ba
使用任何输入参数组合在前面的语法和附加选项指定一个或多个参数名称-值对。例如,您可以指定一个值gydF4y2BaβgydF4y2Ba或gydF4y2BaσgydF4y2Ba2gydF4y2Ba预测的gydF4y2Ba有条件的gydF4y2Ba预测分布的一个参数,指定值的其他参数。gydF4y2BayFgydF4y2Ba
=预测(gydF4y2Ba___gydF4y2Ba,gydF4y2Ba名称,值gydF4y2Ba
)gydF4y2Ba
(gydF4y2Ba
还返回的协方差矩阵gydF4y2BayFgydF4y2Ba
,gydF4y2BaYFCovgydF4y2Ba
)=预测(gydF4y2Ba___gydF4y2Ba)gydF4y2BanumPeriodsgydF4y2Ba
维后预测分布。标准差的预测是对角线的根元素。gydF4y2Ba
考虑的多元线性回归模型预测美国实际国民生产总值(gydF4y2BaGNPRgydF4y2Ba
)使用工业生产指数的线性组合gydF4y2Ba新闻学会gydF4y2Ba
)、就业总人数(gydF4y2BaEgydF4y2Ba
),实际工资(gydF4y2Ba或者说是gydF4y2Ba
)。gydF4y2Ba
对所有gydF4y2Ba ,gydF4y2Ba 是一系列的独立和0的均值和方差高斯干扰吗gydF4y2Ba 。gydF4y2Ba
假设这些先验分布:gydF4y2Ba
。gydF4y2Ba 意味着是一个4-by-1向量,gydF4y2Ba 是一个按比例缩小的4×4正定协方差矩阵。gydF4y2Ba
。gydF4y2Ba 和gydF4y2Ba 分别是形状和规模的逆伽马分布。gydF4y2Ba
这些假设和数据可能意味着normal-inverse-gamma共轭模型。gydF4y2Ba
创建一个normal-inverse-gamma共轭先验模型的线性回归参数。指定数量的预测gydF4y2BapgydF4y2Ba
和变量名。gydF4y2Ba
p = 3;VarNames = [gydF4y2Ba“他们”gydF4y2Ba“E”gydF4y2Ba“福”gydF4y2Ba];PriorMdl = bayeslm (p,gydF4y2Ba“ModelType”gydF4y2Ba,gydF4y2Ba“共轭”gydF4y2Ba,gydF4y2Ba“VarNames”gydF4y2Ba,VarNames);gydF4y2Ba
MdlgydF4y2Ba
是一个gydF4y2BaconjugateblmgydF4y2Ba
贝叶斯线性回归模型对象代表回归系数的先验分布和扰动方差。gydF4y2Ba
加载Nelson-Plosser数据集。创建变量预测和响应数据。坚持过去10期的数据估计,这样你可以使用它们来预测实际国民生产总值。gydF4y2Ba
负载gydF4y2BaData_NelsonPlossergydF4y2Bafhs = 10;gydF4y2Ba%预测地平线大小gydF4y2BaX = DataTable{1:(结束- fhs), PriorMdl.VarNames(2:结束)};y = DataTable{1:(结束- fhs),gydF4y2Ba“GNPR”gydF4y2Ba};XF = DataTable{(结束- fhs + 1):最终,PriorMdl.VarNames(2:结束)};gydF4y2Ba%未来的预测数据gydF4y2BayFT = DataTable{(结束- fhs + 1):结束,gydF4y2Ba“GNPR”gydF4y2Ba};gydF4y2Ba%未来真实的反应gydF4y2Ba
估计边缘后验分布。关掉估计显示。gydF4y2Ba
PosteriorMdl =估计(PriorMdl, X, y,gydF4y2Ba“显示”gydF4y2Ba、假);gydF4y2Ba
PosteriorMdlgydF4y2Ba
是一个gydF4y2BaconjugateblmgydF4y2Ba
模型对象,其中包含的后验分布gydF4y2Ba
和gydF4y2Ba
。gydF4y2Ba
预测使用后反应预测分布和未来预测数据gydF4y2BaXFgydF4y2Ba
。情节的真实值响应和预测的值。gydF4y2Ba
yF =预测(PosteriorMdl XF);图;情节(日期、DataTable.GNPR);持有gydF4y2Ba在gydF4y2Ba情节(日期((结束- fhs + 1):结束),yF h = gca;p =补丁([日期(结束- fhs + 1)日期(结束)日期(结束)日期(结束- fhs + 1)),gydF4y2Ba…gydF4y2Bah.YLim ([1, 1、2、2]), [0.8 0.8 0.8]);uistack (p,gydF4y2Ba“底”gydF4y2Ba);传奇(gydF4y2Ba“预测地平线”gydF4y2Ba,gydF4y2Ba“真正的GNPR”gydF4y2Ba,gydF4y2Ba“预测GNPR”gydF4y2Ba,gydF4y2Ba“位置”gydF4y2Ba,gydF4y2Ba“西北”gydF4y2Ba)标题(gydF4y2Ba“真正的国民生产总值:1909 - 1970”gydF4y2Ba);ylabel (gydF4y2Ba“rGNP”gydF4y2Ba);包含(gydF4y2Ba“年”gydF4y2Ba);持有gydF4y2Ba从gydF4y2Ba
yFgydF4y2Ba
是一个10-by-1向量的值相对应的实际国民生产总值未来预测数据。gydF4y2Ba
估计预测均方误差(RMSE)。gydF4y2Ba
frmse =√意味着(yF - yFT) ^ 2))gydF4y2Ba
frmse = 25.5397gydF4y2Ba
预测均方根误差是一个相对程度的预测精度。具体地说,您估计几个使用不同的假设模型。最低的模型预测的RMSE是表现最好的模型相比较。gydF4y2Ba
考虑的回归模型gydF4y2Ba使用后预测分布预测的反应gydF4y2Ba。gydF4y2Ba
创建一个normal-inverse-gamma semiconjugate之前线性回归模型参数。指定数量的预测gydF4y2BapgydF4y2Ba
和回归系数的名称。gydF4y2Ba
p = 3;PriorMdl = bayeslm (p,gydF4y2Ba“ModelType”gydF4y2Ba,gydF4y2Ba“semiconjugate”gydF4y2Ba,gydF4y2Ba“VarNames”gydF4y2Ba,(gydF4y2Ba“他们”gydF4y2Ba“E”gydF4y2Ba“福”gydF4y2Ba]);gydF4y2Ba
加载Nelson-Plosser数据集。为响应和预测系列创建变量。gydF4y2Ba
负载gydF4y2BaData_NelsonPlossergydF4y2BaX = DataTable {: PriorMdl.VarNames(2:结束)};y = DataTable {:,gydF4y2Ba“GNPR”gydF4y2Ba};gydF4y2Ba
坚持过去10期的数据估计,这样你可以使用它们来预测实际国民生产总值。关掉估计显示。gydF4y2Ba
fhs = 10;gydF4y2Ba%预测地平线大小gydF4y2BaX = DataTable{1:(结束- fhs), PriorMdl.VarNames(2:结束)};y = DataTable{1:(结束- fhs),gydF4y2Ba“GNPR”gydF4y2Ba};XF = DataTable{(结束- fhs + 1):最终,PriorMdl.VarNames(2:结束)};gydF4y2Ba%未来的预测数据gydF4y2BayFT = DataTable{(结束- fhs + 1):结束,gydF4y2Ba“GNPR”gydF4y2Ba};gydF4y2Ba%未来真实的反应gydF4y2Ba
预测使用后反应预测分布和未来预测数据gydF4y2BaXFgydF4y2Ba
。指定样本的观察gydF4y2BaXgydF4y2Ba
和gydF4y2BaygydF4y2Ba
(MATLAB®组成的观察后)。gydF4y2Ba
yF =预测(PriorMdl XF, X, y)gydF4y2Ba
yF =gydF4y2Ba10×1gydF4y2Ba491.5404 518.1725 539.0625 566.7594 597.7005 633.4666 644.7270 672.7937 693.5321 678.2268gydF4y2Ba
考虑的回归模型gydF4y2Ba使用后预测分布预测的反应gydF4y2Ba。gydF4y2Ba
假设这些先验分布gydF4y2Ba = 0,…,3:gydF4y2Ba
,在那里gydF4y2Ba 和gydF4y2Ba 是独立的,标准正态随机变量。因此,系数高斯混合分布。假定所有系数是条件独立的,先天的,但它们依赖于扰动方差。gydF4y2Ba
。gydF4y2Ba 和gydF4y2Ba 分别是形状和规模的逆伽马分布。gydF4y2Ba
,它代表了随机variable-inclusion政权变量离散均匀分布。gydF4y2Ba
执行随机搜索变量选择(科学):gydF4y2Ba
创建一个贝叶斯回归模型对于科学的共轭先验数据的可能性。使用默认设置。gydF4y2Ba
坚持过去10期从估计的数据。gydF4y2Ba
估计边缘后验分布。gydF4y2Ba
p = 3;PriorMdl = bayeslm (p,gydF4y2Ba“ModelType”gydF4y2Ba,gydF4y2Ba“mixconjugate”gydF4y2Ba,gydF4y2Ba“VarNames”gydF4y2Ba,(gydF4y2Ba“他们”gydF4y2Ba“E”gydF4y2Ba“福”gydF4y2Ba]);负载gydF4y2BaData_NelsonPlossergydF4y2Bafhs = 10;gydF4y2Ba%预测地平线大小gydF4y2BaX = DataTable{1:(结束- fhs), PriorMdl.VarNames(2:结束)};y = DataTable{1:(结束- fhs),gydF4y2Ba“GNPR”gydF4y2Ba};XF = DataTable{(结束- fhs + 1):最终,PriorMdl.VarNames(2:结束)};gydF4y2Ba%未来的预测数据gydF4y2BayFT = DataTable{(结束- fhs + 1):结束,gydF4y2Ba“GNPR”gydF4y2Ba};gydF4y2Ba%未来真实的反应gydF4y2Barng (1);gydF4y2Ba%的再现性gydF4y2BaPosteriorMdl =估计(PriorMdl, X, y,gydF4y2Ba“显示”gydF4y2Ba、假);gydF4y2Ba
预测使用后反应预测分布和未来预测数据gydF4y2BaXFgydF4y2Ba
。情节的真实值响应和预测的值。gydF4y2Ba
yF =预测(PosteriorMdl XF);图;情节(日期、DataTable.GNPR);持有gydF4y2Ba在gydF4y2Ba情节(日期((结束- fhs + 1):结束),yF h = gca;惠普=补丁([日期(结束- fhs + 1)日期(结束)日期(结束)日期(结束- fhs + 1)),gydF4y2Ba…gydF4y2Bah.YLim ([1, 1、2、2]), [0.8 0.8 0.8]);uistack(惠普、gydF4y2Ba“底”gydF4y2Ba);传奇(gydF4y2Ba“预测地平线”gydF4y2Ba,gydF4y2Ba“真正的GNPR”gydF4y2Ba,gydF4y2Ba“预测GNPR”gydF4y2Ba,gydF4y2Ba“位置”gydF4y2Ba,gydF4y2Ba“西北”gydF4y2Ba)标题(gydF4y2Ba“真正的国民生产总值:1909 - 1970”gydF4y2Ba);ylabel (gydF4y2Ba“rGNP”gydF4y2Ba);包含(gydF4y2Ba“年”gydF4y2Ba);持有gydF4y2Ba从gydF4y2Ba
yFgydF4y2Ba
是一个10-by-1向量的值相对应的实际国民生产总值未来预测数据。gydF4y2Ba
估计预测均方误差(RMSE)。gydF4y2Ba
frmse =√意味着(yF - yFT) ^ 2))gydF4y2Ba
frmse = 18.8470gydF4y2Ba
预测均方根误差是一个相对程度的预测精度。具体地说,您估计几个使用不同的假设模型。最低的模型预测的RMSE是表现最好的模型相比较。gydF4y2Ba
当您执行贝叶斯与科学价值回归,一个最佳实践是优化hyperparameters。这样做的方法之一是估计预测RMSE hyperparameter值的网格,并选择预测RMSE值最小化。gydF4y2Ba
考虑的回归模型gydF4y2Ba使用后预测分布预测的反应gydF4y2Ba。gydF4y2Ba
创建一个normal-inverse-gamma semiconjugate之前线性回归模型参数。指定数量的预测gydF4y2BapgydF4y2Ba
和回归系数的名称。gydF4y2Ba
p = 3;PriorMdl = bayeslm (p,gydF4y2Ba“ModelType”gydF4y2Ba,gydF4y2Ba“semiconjugate”gydF4y2Ba,gydF4y2Ba“VarNames”gydF4y2Ba,(gydF4y2Ba“他们”gydF4y2Ba“E”gydF4y2Ba“福”gydF4y2Ba]);gydF4y2Ba
加载Nelson-Plosser数据集。为响应和预测系列创建变量。gydF4y2Ba
负载gydF4y2BaData_NelsonPlossergydF4y2BaX = DataTable {: PriorMdl.VarNames(2:结束)};y = DataTable {:,gydF4y2Ba“GNPR”gydF4y2Ba};gydF4y2Ba
坚持过去10期的数据估计,这样你可以使用它们来预测实际国民生产总值。关掉估计显示。gydF4y2Ba
fhs = 10;gydF4y2Ba%预测地平线大小gydF4y2BaX = DataTable{1:(结束- fhs), PriorMdl.VarNames(2:结束)};y = DataTable{1:(结束- fhs),gydF4y2Ba“GNPR”gydF4y2Ba};XF = DataTable{(结束- fhs + 1):最终,PriorMdl.VarNames(2:结束)};gydF4y2Ba%未来的预测数据gydF4y2BayFT = DataTable{(结束- fhs + 1):结束,gydF4y2Ba“GNPR”gydF4y2Ba};gydF4y2Ba%未来真实的反应gydF4y2Ba
预测反应通过使用测试版的条件后预测分布gydF4y2Ba
和使用未来的预测数据gydF4y2BaXFgydF4y2Ba
。指定样本的观察gydF4y2BaXgydF4y2Ba
和gydF4y2BaygydF4y2Ba
(MATLAB®组成的观察后)。情节的真实值响应和预测的值。gydF4y2Ba
yF =预测(PriorMdl XF, X, y,gydF4y2Ba“Sigma2”gydF4y2Ba2);图;情节(日期、DataTable.GNPR);持有gydF4y2Ba在gydF4y2Ba情节(日期((结束- fhs + 1):结束),yF h = gca;惠普=补丁([日期(结束- fhs + 1)日期(结束)日期(结束)日期(结束- fhs + 1)),gydF4y2Ba…gydF4y2Bah.YLim ([1, 1、2、2]), [0.8 0.8 0.8])gydF4y2Ba
惠普=补丁的属性:FaceColor: [0.8000 0.8000 0.8000] FaceAlpha: 1 EdgeColor:[0 0 0]线型:”——“脸:(1 2 3 4)顶点:[4 x2双]显示所有属性gydF4y2Ba
uistack(惠普、gydF4y2Ba“底”gydF4y2Ba);传奇(gydF4y2Ba“预测地平线”gydF4y2Ba,gydF4y2Ba“真正的GNPR”gydF4y2Ba,gydF4y2Ba“预测GNPR”gydF4y2Ba,gydF4y2Ba“位置”gydF4y2Ba,gydF4y2Ba“西北”gydF4y2Ba)标题(gydF4y2Ba“真正的国民生产总值:1909 - 1970”gydF4y2Ba);ylabel (gydF4y2Ba“rGNP”gydF4y2Ba);包含(gydF4y2Ba“年”gydF4y2Ba);持有gydF4y2Ba从gydF4y2Ba
考虑的回归模型gydF4y2Ba使用后预测分布预测的反应gydF4y2Ba。gydF4y2Ba
创建一个normal-inverse-gamma semiconjugate之前线性回归模型参数。指定数量的预测gydF4y2BapgydF4y2Ba
和回归系数的名称。gydF4y2Ba
p = 3;PriorMdl = bayeslm (p,gydF4y2Ba“ModelType”gydF4y2Ba,gydF4y2Ba“semiconjugate”gydF4y2Ba,gydF4y2Ba“VarNames”gydF4y2Ba,(gydF4y2Ba“他们”gydF4y2Ba“E”gydF4y2Ba“福”gydF4y2Ba]);gydF4y2Ba
加载Nelson-Plosser数据集。为响应和预测系列创建变量。gydF4y2Ba
负载gydF4y2BaData_NelsonPlossergydF4y2BaX = DataTable {: PriorMdl.VarNames(2:结束)};y = DataTable {:,gydF4y2Ba“GNPR”gydF4y2Ba};gydF4y2Ba
坚持过去10期的数据估计,这样你可以使用它们来预测实际国民生产总值。关掉估计显示。gydF4y2Ba
fhs = 10;gydF4y2Ba%预测地平线大小gydF4y2BaX = DataTable{1:(结束- fhs), PriorMdl.VarNames(2:结束)};y = DataTable{1:(结束- fhs),gydF4y2Ba“GNPR”gydF4y2Ba};XF = DataTable{(结束- fhs + 1):最终,PriorMdl.VarNames(2:结束)};gydF4y2Ba%未来的预测数据gydF4y2BayFT = DataTable{(结束- fhs + 1):结束,gydF4y2Ba“GNPR”gydF4y2Ba};gydF4y2Ba%未来真实的反应gydF4y2Ba
预测使用后反应及其协方差矩阵预测分布和未来预测数据gydF4y2BaXFgydF4y2Ba
。指定样本的观察gydF4y2BaXgydF4y2Ba
和gydF4y2BaygydF4y2Ba
(MATLAB®组成的观察后)。gydF4y2Ba
[yF, YFCov] =预测(PriorMdl XF, X, y);gydF4y2Ba
因为预测后验分布不是分析,合理的近似一组的95%置信区间gydF4y2Ba
对所有gydF4y2Ba 在预测地平线。估计95%的可信区间预测使用这个公式。gydF4y2Ba
n =总和(所有(~ isnan ((X, y))));cil = yF - norminv (0.975) * sqrt(诊断接头(YFCov));ciu = yF + norminv (0.975) * sqrt(诊断接头(YFCov));gydF4y2Ba
图数据、预测和预报区间。gydF4y2Ba
图;情节(日期(end-30:结束),DataTable.GNPR (end-30:结束));持有gydF4y2Ba在gydF4y2Ba甘氨胆酸h =;情节(日期((结束- fhs + 1):结束),yF情节(日期((结束- fhs + 1):结束),(cil ciu),gydF4y2Ba“k——”gydF4y2Ba)惠普=补丁([日期(结束- fhs + 1)日期(结束)日期(结束)日期(结束- fhs + 1)),gydF4y2Ba…gydF4y2Bah.YLim ([1, 1、2、2]), [0.8 0.8 0.8]);uistack(惠普、gydF4y2Ba“底”gydF4y2Ba);传奇(gydF4y2Ba“预测地平线”gydF4y2Ba,gydF4y2Ba“真正的GNPR”gydF4y2Ba,gydF4y2Ba“预测GNPR”gydF4y2Ba,gydF4y2Ba…gydF4y2Ba可信区间的gydF4y2Ba,gydF4y2Ba“位置”gydF4y2Ba,gydF4y2Ba“西北”gydF4y2Ba)标题(gydF4y2Ba“真正的国民生产总值:1909 - 1970”gydF4y2Ba);ylabel (gydF4y2Ba“rGNP”gydF4y2Ba);包含(gydF4y2Ba“年”gydF4y2Ba);持有gydF4y2Ba从gydF4y2Ba
MdlgydF4y2Ba
- - - - - -gydF4y2Ba标准的贝叶斯线性回归模型或模型预测变量的选择gydF4y2BaconjugateblmgydF4y2Ba
模型对象gydF4y2Ba|gydF4y2BasemiconjugateblmgydF4y2Ba
模型对象gydF4y2Ba|gydF4y2BadiffuseblmgydF4y2Ba
模型对象gydF4y2Ba|gydF4y2BamixconjugateblmgydF4y2Ba
模型对象gydF4y2Ba|gydF4y2BalassoblmgydF4y2Ba
模型对象gydF4y2Ba标准的贝叶斯线性回归模型或模型预测变量的选择,在这个表指定为一个模型对象。gydF4y2Ba
模型对象gydF4y2Ba | 描述gydF4y2Ba |
---|---|
conjugateblmgydF4y2Ba |
依赖,normal-inverse-gamma共轭模型返回的gydF4y2BabayeslmgydF4y2Ba 或gydF4y2Ba估计gydF4y2Ba |
semiconjugateblmgydF4y2Ba |
独立,normal-inverse-gamma semiconjugate模型返回的gydF4y2BabayeslmgydF4y2Ba |
diffuseblmgydF4y2Ba |
扩散先验模型返回的gydF4y2BabayeslmgydF4y2Ba |
empiricalblmgydF4y2Ba |
之前模型的特征样本先验分布,返回的gydF4y2BabayeslmgydF4y2Ba 或gydF4y2Ba估计gydF4y2Ba |
customblmgydF4y2Ba |
先验分布函数声明返回的gydF4y2BabayeslmgydF4y2Ba |
mixconjugateblmgydF4y2Ba |
依赖,Gaussian-mixture-inverse-gamma共轭模型科学预测变量选择,返回的gydF4y2BabayeslmgydF4y2Ba |
mixsemiconjugateblmgydF4y2Ba |
学会独立,Gaussian-mixture-inverse-gamma semiconjugate模型预测变量选择,返回的gydF4y2BabayeslmgydF4y2Ba |
lassoblmgydF4y2Ba |
贝叶斯套索返回的回归模型gydF4y2BabayeslmgydF4y2Ba |
通常情况下,返回的对象模型gydF4y2Ba估计gydF4y2Ba
代表边缘后验分布。当你评估一个后使用gydF4y2Ba估计gydF4y2Ba
如果你指定一个条件后的估计,然后gydF4y2Ba估计gydF4y2Ba
返回之前的模型。gydF4y2Ba
XFgydF4y2Ba
- - - - - -gydF4y2Ba预测的预测数据gydF4y2Ba预测的预测数据,指定为一个gydF4y2BanumPeriodsgydF4y2Ba
——- - - - - -gydF4y2BaPriorMdl.NumPredictorsgydF4y2Ba
数字矩阵。gydF4y2BanumPeriodsgydF4y2Ba
确定预测的时间跨度的长度。的列gydF4y2BaXFgydF4y2Ba
对应的列其他预测数据集,也就是说,gydF4y2BaXgydF4y2Ba
或数据用来形成的后验分布gydF4y2BaMdlgydF4y2Ba
。gydF4y2Ba
数据类型:gydF4y2Ba双gydF4y2Ba
XgydF4y2Ba
- - - - - -gydF4y2Ba预测数据gydF4y2Ba多元线性回归模型的预测数据,指定为一个gydF4y2BanumObservationsgydF4y2Ba
——- - - - - -gydF4y2BaPriorMdl.NumPredictorsgydF4y2Ba
数字矩阵。gydF4y2BanumObservationsgydF4y2Ba
是观察和的数量必须相等的长度吗gydF4y2BaygydF4y2Ba
。gydF4y2Ba
如果gydF4y2BaMdlgydF4y2Ba
是后验分布,那么的列gydF4y2BaXgydF4y2Ba
必须对应列用于估算后的预测数据。gydF4y2Ba
数据类型:gydF4y2Ba双gydF4y2Ba
ygydF4y2Ba
- - - - - -gydF4y2Ba响应数据gydF4y2Ba响应数据的多元线性回归模型,指定为一个数值向量gydF4y2BanumObservationsgydF4y2Ba
元素。gydF4y2Ba
数据类型:gydF4y2Ba双gydF4y2Ba
指定可选的逗号分隔条gydF4y2Ba名称,值gydF4y2Ba
参数。gydF4y2Ba的名字gydF4y2Ba
参数名称和吗gydF4y2Ba价值gydF4y2Ba
相应的价值。gydF4y2Ba的名字gydF4y2Ba
必须出现在引号。您可以指定几个名称和值对参数在任何顺序gydF4y2BaName1, Value1,…,的家gydF4y2Ba
。gydF4y2Ba
“Sigma2”, 2gydF4y2Ba
指定条件的预测预测分配给指定的扰动的方差gydF4y2Ba2gydF4y2Ba
。gydF4y2Ba
βgydF4y2Ba
- - - - - -gydF4y2Ba从条件预测分布预测的回归系数值给定的回归系数gydF4y2Ba[]gydF4y2Ba
)gydF4y2Ba(默认)|gydF4y2Ba数字列向量gydF4y2Ba价值的回归系数的预测条件预测分布给出了回归系数,指定为逗号分隔组成的gydF4y2Ba“β”gydF4y2Ba
和一个(gydF4y2BaMdl.InterceptgydF4y2Ba
+gydF4y2BaMdl.NumPredictorsgydF4y2Ba
)1数值向量。当使用后验分布,gydF4y2Ba预测gydF4y2Ba
预测gydF4y2Ba
,在那里gydF4y2BaygydF4y2Ba
是gydF4y2BaygydF4y2Ba
,gydF4y2BaXgydF4y2Ba
是gydF4y2BaXgydF4y2Ba
,gydF4y2BaβgydF4y2Ba
的值是gydF4y2Ba“β”gydF4y2Ba
。如果gydF4y2BaMdl.InterceptgydF4y2Ba
是gydF4y2Ba真正的gydF4y2Ba
,然后gydF4y2Baβ(1)gydF4y2Ba
对应于模型拦截。其他值对应的预测变量组成的列gydF4y2BaXgydF4y2Ba
。gydF4y2Ba
你不能指定gydF4y2BaβgydF4y2Ba
和gydF4y2BaSigma2gydF4y2Ba
同时进行。gydF4y2Ba
默认情况下,gydF4y2Ba预测gydF4y2Ba
不从给出的条件预测分布预测吗gydF4y2BaβgydF4y2Ba。gydF4y2Ba
例子:gydF4y2Ba“贝塔”,1:3gydF4y2Ba
数据类型:gydF4y2Ba双gydF4y2Ba
Sigma2gydF4y2Ba
- - - - - -gydF4y2Ba值的干扰预测方差条件方差预测分配给定的扰动gydF4y2Ba[]gydF4y2Ba
)gydF4y2Ba(默认)|gydF4y2Ba积极的数字标量gydF4y2Ba值的干扰预测方差条件预测分布的扰动变化,指定为逗号分隔组成的gydF4y2Ba“Sigma2”gydF4y2Ba
和积极的数字标量。当使用后验分布,gydF4y2Ba预测gydF4y2Ba
从gydF4y2Ba
,在那里gydF4y2BaygydF4y2Ba
是gydF4y2BaygydF4y2Ba
,gydF4y2BaXgydF4y2Ba
是gydF4y2BaXgydF4y2Ba
,gydF4y2BaSigma2gydF4y2Ba
的值是gydF4y2Ba“Sigma2”gydF4y2Ba
。gydF4y2Ba
你不能指定gydF4y2BaSigma2gydF4y2Ba
和gydF4y2BaβgydF4y2Ba
同时进行。gydF4y2Ba
默认情况下,gydF4y2Ba预测gydF4y2Ba
没有条件预测后的画吗gydF4y2BaσgydF4y2Ba2gydF4y2Ba。gydF4y2Ba
例子:gydF4y2Ba“Sigma2”, 1gydF4y2Ba
数据类型:gydF4y2Ba双gydF4y2Ba
NumDrawsgydF4y2Ba
- - - - - -gydF4y2Ba蒙特卡罗模拟样本大小调整gydF4y2Ba1 e5gydF4y2Ba
(默认)|gydF4y2Ba正整数gydF4y2Ba蒙特卡罗模拟调整样本量,指定为逗号分隔组成的gydF4y2Ba“NumDraws”gydF4y2Ba
和一个正整数。gydF4y2Ba预测gydF4y2Ba
实际上吸引gydF4y2Ba燃烧gydF4y2Ba
- - - - - -gydF4y2BaNumDraws *gydF4y2Ba
薄gydF4y2Ba
样本。因此,gydF4y2Ba预测gydF4y2Ba
基地的估计gydF4y2BaNumDrawsgydF4y2Ba
样本。有关如何gydF4y2Ba预测gydF4y2Ba
减少了蒙特卡罗抽样,明白了gydF4y2Ba算法gydF4y2Ba。gydF4y2Ba
如果gydF4y2BaMdlgydF4y2Ba
是一个gydF4y2BasemiconjugateblmgydF4y2Ba
模型和指定gydF4y2BaβgydF4y2Ba
或gydF4y2BaSigma2gydF4y2Ba
,然后用MATLABgydF4y2Ba®gydF4y2Ba忽略了gydF4y2BaNumDrawsgydF4y2Ba
。gydF4y2Ba
例子:gydF4y2Bae7 NumDraws, 1gydF4y2Ba
数据类型:gydF4y2Ba双gydF4y2Ba
燃烧gydF4y2Ba
- - - - - -gydF4y2Ba即将删除从蒙特卡罗采样的开始gydF4y2Ba5000年gydF4y2Ba
(默认)|gydF4y2Ba负的标量gydF4y2Ba即将删除从蒙特卡罗采样的开始降低瞬态效应,指定为逗号分隔组成的gydF4y2Ba“燃烧”gydF4y2Ba
和一个负的标量。有关如何gydF4y2Ba预测gydF4y2Ba
减少了蒙特卡罗抽样,明白了gydF4y2Ba算法gydF4y2Ba。gydF4y2Ba
提示gydF4y2Ba
帮助你指定适当的老化周期大小:gydF4y2Ba
确定的程度样本通过指定的瞬态行为gydF4y2Ba“燃烧”,0gydF4y2Ba
。gydF4y2Ba
模拟几千观察使用gydF4y2Ba预测gydF4y2Ba
。gydF4y2Ba
画跟踪情节。gydF4y2Ba
例子:gydF4y2Ba“燃烧”,0gydF4y2Ba
数据类型:gydF4y2Ba双gydF4y2Ba
薄gydF4y2Ba
- - - - - -gydF4y2Ba蒙特卡罗调整样本量乘数gydF4y2Ba1gydF4y2Ba
(默认)|gydF4y2Ba正整数gydF4y2Ba蒙特卡罗调整样本量乘数,指定为逗号分隔组成的gydF4y2Ba“薄”gydF4y2Ba
和一个正整数。gydF4y2Ba
实际的蒙特卡罗样本大小gydF4y2Ba燃烧gydF4y2Ba
+gydF4y2BaNumDrawsgydF4y2Ba
*薄gydF4y2Ba
。丢弃老化后,gydF4y2Ba预测gydF4y2Ba
丢弃每gydF4y2Ba薄gydF4y2Ba
- - - - - -gydF4y2Ba1gydF4y2Ba
吸引,然后保留下画。有关如何gydF4y2Ba预测gydF4y2Ba
减少了蒙特卡罗抽样,明白了gydF4y2Ba算法gydF4y2Ba。gydF4y2Ba
提示gydF4y2Ba
减少潜在的大型蒙特卡罗抽样序列相关,或降低了存储的内存消耗gydF4y2BaMdlgydF4y2Ba
,指定一个较大的值gydF4y2Ba薄gydF4y2Ba
。gydF4y2Ba
例子:gydF4y2Ba“薄”,5gydF4y2Ba
数据类型:gydF4y2Ba双gydF4y2Ba
BetaStartgydF4y2Ba
- - - - - -gydF4y2Ba起始的回归系数值获得样本gydF4y2Ba起始值回归系数的马尔可夫链蒙特卡罗(密度)的样本,指定为逗号分隔组成的gydF4y2Ba“BetaStart”gydF4y2Ba
和一个数字列向量(gydF4y2BaPriorMdl.InterceptgydF4y2Ba
+gydF4y2BaPriorMdl.NumPredictorsgydF4y2Ba
)元素。默认情况下,gydF4y2BaBetaStartgydF4y2Ba
普通最小二乘(OLS)估计。gydF4y2Ba
提示gydF4y2Ba
一个良好的实践是运行gydF4y2Ba预测gydF4y2Ba
多次使用不同的参数值。验证解决方案从每个运行收敛于相似金宝搏官方网站的价值观。gydF4y2Ba
例子:gydF4y2Ba“BetaStart”, [1;2;3]gydF4y2Ba
数据类型:gydF4y2Ba双gydF4y2Ba
Sigma2StartgydF4y2Ba
- - - - - -gydF4y2Ba获得起始扰动值方差模型样本gydF4y2Ba开始的扰动值获得样本方差,指定为逗号分隔组成的gydF4y2Ba“Sigma2Start”gydF4y2Ba
和积极的数字标量。默认情况下,gydF4y2BaSigma2StartgydF4y2Ba
OLS剩余均方误差。gydF4y2Ba
提示gydF4y2Ba
一个良好的实践是运行gydF4y2Ba预测gydF4y2Ba
多次使用不同的参数值。验证解决方案从每个运行收敛于相似金宝搏官方网站的价值观。gydF4y2Ba
例子:gydF4y2Ba“Sigma2Start”4gydF4y2Ba
数据类型:gydF4y2Ba双gydF4y2Ba
ReparameterizegydF4y2Ba
- - - - - -gydF4y2BaReparameterization的gydF4y2BaσgydF4y2Ba2gydF4y2Ba日志(gydF4y2BaσgydF4y2Ba2gydF4y2Ba)gydF4y2Ba假gydF4y2Ba
(默认)|gydF4y2Ba真正的gydF4y2Ba
Reparameterization的gydF4y2BaσgydF4y2Ba2gydF4y2Ba日志(gydF4y2BaσgydF4y2Ba2gydF4y2Ba)后评估和仿真,指定为逗号分隔组成的gydF4y2Ba“Reparameterize”gydF4y2Ba
在这个表和一个值。gydF4y2Ba
价值gydF4y2Ba | 描述gydF4y2Ba |
---|---|
假gydF4y2Ba |
预测gydF4y2Ba 不reparameterizegydF4y2BaσgydF4y2Ba2gydF4y2Ba。gydF4y2Ba |
真正的gydF4y2Ba |
预测gydF4y2Ba reparameterizesgydF4y2BaσgydF4y2Ba2gydF4y2Ba日志(gydF4y2BaσgydF4y2Ba2gydF4y2Ba)。gydF4y2Ba预测gydF4y2Ba 将结果返回给原来的规模和不改变的函数形式gydF4y2BaPriorMdl.LogPDFgydF4y2Ba 。gydF4y2Ba |
提示gydF4y2Ba
如果你经验的后评估或模拟数值不稳定gydF4y2BaσgydF4y2Ba2gydF4y2Ba,然后指定gydF4y2Ba“Reparameterize”,真的gydF4y2Ba
。gydF4y2Ba
例子:gydF4y2Ba“Reparameterize”,真的gydF4y2Ba
数据类型:gydF4y2Ba逻辑gydF4y2Ba
取样器gydF4y2Ba
- - - - - -gydF4y2Ba密度取样器gydF4y2Ba“切”gydF4y2Ba
(默认)|gydF4y2Ba“大都市”gydF4y2Ba
|gydF4y2Bahmc的gydF4y2Ba
密度取样器,指定为逗号分隔组成的gydF4y2Ba的取样器gydF4y2Ba
在这个表和一个值。gydF4y2Ba
价值gydF4y2Ba | 描述gydF4y2Ba |
---|---|
“切”gydF4y2Ba |
片取样器gydF4y2Ba |
“大都市”gydF4y2Ba |
随机漫步都市取样器gydF4y2Ba |
hmc的gydF4y2Ba |
哈密顿蒙特卡罗(HMC)取样器gydF4y2Ba |
提示gydF4y2Ba
增加密度的质量吸引,优化采样器。gydF4y2Ba
在调用之前gydF4y2Ba预测gydF4y2Ba
,指定使用的调优参数及其值gydF4y2BasampleroptionsgydF4y2Ba
。例如,指定取样器宽度gydF4y2Ba宽度gydF4y2Ba
使用:gydF4y2Ba
选择= sampleroptions (gydF4y2Ba的取样器gydF4y2Ba,gydF4y2Ba“切”gydF4y2Ba,gydF4y2Ba“宽度”gydF4y2Ba、宽度);gydF4y2Ba
指定包含返回的调优参数规范的对象gydF4y2BasampleroptionsgydF4y2Ba
通过使用gydF4y2Ba“选项”gydF4y2Ba
名称-值对的论点。例如,使用规范的调优参数gydF4y2Ba选项gydF4y2Ba
指定:gydF4y2Ba
“选项”,选择gydF4y2Ba
如果你指定HMC取样器,那么一个最佳实践是提供一些变量的梯度,至少。gydF4y2Ba预测gydF4y2Ba
度假村任何缺失的偏导数的数值计算(gydF4y2Ba南gydF4y2Ba
梯度向量的值)。gydF4y2Ba
例子:gydF4y2Ba“取样器”,“hmc”gydF4y2Ba
数据类型:gydF4y2Ba字符串gydF4y2Ba
选项gydF4y2Ba
- - - - - -gydF4y2Ba取样器的选择gydF4y2Ba[]gydF4y2Ba
(默认)|gydF4y2Ba结构数组gydF4y2Ba取样器选项,指定为逗号分隔组成的gydF4y2Ba“选项”gydF4y2Ba
和一个结构数组返回gydF4y2BasampleroptionsgydF4y2Ba
。使用gydF4y2Ba“选项”gydF4y2Ba
获得指定取样器和它的调优参数值。gydF4y2Ba
例子:gydF4y2Ba“选项”,sampleroptions(取样器,hmc)gydF4y2Ba
数据类型:gydF4y2Ba结构体gydF4y2Ba
宽度gydF4y2Ba
- - - - - -gydF4y2Ba典型的采样间隔宽度gydF4y2Ba典型的采样间隔宽度约片的当前值的边际分布取样器,指定为逗号分隔组成的gydF4y2Ba“宽度”gydF4y2Ba
和积极的数字标量或(gydF4y2BaPriorMdl.InterceptgydF4y2Ba
+gydF4y2BaPriorMdl.NumPredictorsgydF4y2Ba
+gydF4y2Ba1gydF4y2Ba
)1数值向量积极的价值观。第一个元素对应于模型拦截,如果一个模型中存在。下一个gydF4y2BaPriorMdl.NumPredictorsgydF4y2Ba
元素对应的系数预测变量预测命令的数据列。最后一个元素对应于模型的方差。gydF4y2Ba
如果gydF4y2Ba宽度gydF4y2Ba
是一个标量,然后呢gydF4y2Ba预测gydF4y2Ba
适用于gydF4y2Ba宽度gydF4y2Ba
对所有gydF4y2BaPriorMdl.NumPredictorsgydF4y2Ba
+gydF4y2BaPriorMdl.InterceptgydF4y2Ba
+gydF4y2Ba1gydF4y2Ba
边际分布。gydF4y2Ba
如果gydF4y2Ba宽度gydF4y2Ba
是一个数值向量,然后呢gydF4y2Ba预测gydF4y2Ba
第一个元素适用于拦截(如果存在的话)gydF4y2BaPriorMdl.NumPredictorsgydF4y2Ba
元素相对应的回归系数的预测变量gydF4y2BaXgydF4y2Ba
和最后一个元素干扰方差。gydF4y2Ba
如果样本容量(gydF4y2Ba大小(X, 1)gydF4y2Ba
)小于100,然后gydF4y2Ba宽度gydF4y2Ba
是gydF4y2Ba10gydF4y2Ba
默认情况下。gydF4y2Ba
如果样本容量至少是100,gydF4y2Ba预测gydF4y2Ba
集gydF4y2Ba宽度gydF4y2Ba
相应的向量后标准差在默认情况下,假设扩散先验模型(gydF4y2BadiffuseblmgydF4y2Ba
)。gydF4y2Ba
典型的片取样器的宽度不影响收敛的样本密度。它确实影响所需的功能评估的数量,也就是说,该算法的效率。如果宽度太小,算法可以实现过多的功能评估,以确定适当的采样宽度。如果宽度太大,那么该算法可能要宽度减少到一个适当的大小,需要评估函数。gydF4y2Ba
预测gydF4y2Ba
发送gydF4y2Ba宽度gydF4y2Ba
到gydF4y2BaslicesamplegydF4y2Ba
函数。更多细节,请参阅gydF4y2BaslicesamplegydF4y2Ba
。gydF4y2Ba
提示gydF4y2Ba
最大的灵活性,指定取样器宽度gydF4y2Ba宽度gydF4y2Ba
通过使用gydF4y2Ba“选项”gydF4y2Ba
名称-值对的论点。例如:gydF4y2Ba
“选项”gydF4y2Basampleroptions (gydF4y2Ba的取样器gydF4y2Ba,gydF4y2Ba“切”gydF4y2Ba,gydF4y2Ba“宽度”gydF4y2Ba、宽度)gydF4y2Ba
例子:gydF4y2Ba的“宽度”,(100 * (3,1);10]gydF4y2Ba
yFgydF4y2Ba
——预测反应gydF4y2Ba预测(预测分布的均值)的反应,作为一个返回gydF4y2BanumPeriodsgydF4y2Ba
1数字向量。行对应的行gydF4y2BaXFgydF4y2Ba
。gydF4y2Ba
YFCovgydF4y2Ba
——预测分布的协方差矩阵gydF4y2Ba协方差矩阵的预测分布,作为一个返回gydF4y2BanumPeriodsgydF4y2Ba
——- - - - - -gydF4y2BanumPeriodsgydF4y2Ba
数字、对称、正定矩阵。行和列对应的行gydF4y2BayFgydF4y2Ba
。gydF4y2Ba
获得一个矢量预测标准差的反应,进入gydF4y2Ba√诊断接头(YFCov))gydF4y2Ba
。gydF4y2Ba
如果gydF4y2BaMdlgydF4y2Ba
是一个gydF4y2BaempiricalblmgydF4y2Ba
模型对象,那么你不能指定gydF4y2BaβgydF4y2Ba
或gydF4y2BaSigma2gydF4y2Ba
。你不能预测预测分布条件下从使用实证先验分布。gydF4y2Ba
一个gydF4y2Ba贝叶斯线性回归模型gydF4y2Ba将参数gydF4y2BaβgydF4y2Ba和gydF4y2BaσgydF4y2Ba2gydF4y2Ba看不到在多元线性回归(MLR)模型gydF4y2BaygydF4y2BatgydF4y2Ba=gydF4y2BaxgydF4y2BatgydF4y2BaβgydF4y2Ba+gydF4y2BaεgydF4y2BatgydF4y2Ba为随机变量。gydF4y2Ba
为次gydF4y2BatgydF4y2Ba= 1,…,gydF4y2BaTgydF4y2Ba:gydF4y2Ba
ygydF4y2BatgydF4y2Ba是观察到的反应。gydF4y2Ba
xgydF4y2BatgydF4y2Ba是一个1 - (gydF4y2BapgydF4y2Ba+ 1)的观测值的行向量gydF4y2BapgydF4y2Ba预测因子。为了适应拦截模型,gydF4y2BaxgydF4y2Ba1gydF4y2BatgydF4y2Ba= 1为所有gydF4y2BatgydF4y2Ba。gydF4y2Ba
βgydF4y2Ba是(gydF4y2BapgydF4y2Ba+ 1)1的列向量回归系数对应的变量组成的列gydF4y2BaxgydF4y2BatgydF4y2Ba。gydF4y2Ba
εgydF4y2BatgydF4y2Ba是均值为零的随机干扰和浸(gydF4y2BaεgydF4y2Ba)=gydF4y2BaσgydF4y2Ba2gydF4y2Ba我gydF4y2BaTgydF4y2Ba×gydF4y2BaTgydF4y2Ba,而gydF4y2BaεgydF4y2Ba是一个gydF4y2BaTgydF4y2Ba1向量包含所有干扰。这些假设可能是意味着数据gydF4y2Ba
ϕgydF4y2Ba(gydF4y2BaygydF4y2BatgydF4y2Ba;gydF4y2BaxgydF4y2BatgydF4y2BaβgydF4y2Ba,gydF4y2BaσgydF4y2Ba2gydF4y2Ba)是高斯概率密度的意思gydF4y2BaxgydF4y2BatgydF4y2BaβgydF4y2Ba和方差gydF4y2BaσgydF4y2Ba2gydF4y2Ba评估在gydF4y2BaygydF4y2BatgydF4y2Ba;gydF4y2Ba。gydF4y2Ba
考虑到数据之前,您征收gydF4y2Ba联合先验分布gydF4y2Ba假设(gydF4y2BaβgydF4y2Ba,gydF4y2BaσgydF4y2Ba2gydF4y2Ba)。在贝叶斯分析,你更新的分布参数通过使用信息参数获得的数据的可能性。结果是gydF4y2Ba联合后验分布gydF4y2Ba(gydF4y2BaβgydF4y2Ba,gydF4y2BaσgydF4y2Ba2gydF4y2Ba)或gydF4y2Ba条件后验分布gydF4y2Ba的参数。gydF4y2Ba
蒙特卡罗模拟是可能变更。如果gydF4y2Ba预测gydF4y2Ba
使用蒙特卡罗模拟,那么当你叫估计和推断可能有所不同gydF4y2Ba预测gydF4y2Ba
在看似同等条件下多次。复制估算结果,设置一个随机数种子通过使用gydF4y2BarnggydF4y2Ba
在调用之前gydF4y2Ba预测gydF4y2Ba
。gydF4y2Ba
如果gydF4y2Ba预测gydF4y2Ba
问题一个错误而估计后验分布使用自定义模型之前,然后试着调整初始参数值通过使用gydF4y2BaBetaStartgydF4y2Ba
或gydF4y2BaSigma2StartgydF4y2Ba
之前,或者尝试调整宣布日志功能,然后重构模型。错误可能表明日志的先验分布gydF4y2Ba负gydF4y2Ba
在指定的初始值。gydF4y2Ba
条件后预测分布的预测响应分析的模型,除了经验模型,通过模型对象和estimation-sample数据之前gydF4y2Ba预测gydF4y2Ba
。然后,指定gydF4y2BaβgydF4y2Ba
名称-值对参数预测的条件后gydF4y2BaσgydF4y2Ba2gydF4y2Ba,或指定gydF4y2BaSigma2gydF4y2Ba
名称-值对参数预测的条件后gydF4y2BaβgydF4y2Ba。gydF4y2Ba
每当gydF4y2Ba预测gydF4y2Ba
必须估计后验分布(例如,当gydF4y2BaMdlgydF4y2Ba
代表一个先验分布,你供应gydF4y2BaXgydF4y2Ba
和gydF4y2BaygydF4y2Ba
)和后易于分析,gydF4y2Ba预测gydF4y2Ba
评估封闭解决贝叶斯估计。金宝搏官方网站否则,gydF4y2Ba预测gydF4y2Ba
诉诸蒙特卡罗模拟使用后预测分布预测。更多细节,请参阅gydF4y2Ba后估计和推断gydF4y2Ba。gydF4y2Ba
这个数字说明了gydF4y2Ba预测gydF4y2Ba
减少了蒙特卡罗示例使用的值gydF4y2BaNumDrawsgydF4y2Ba
,gydF4y2Ba薄gydF4y2Ba
,gydF4y2Ba燃烧gydF4y2Ba
。矩形表示连续分布的吸引。gydF4y2Ba预测gydF4y2Ba
删除蒙特卡罗采样的白色矩形。剩下的gydF4y2BaNumDrawsgydF4y2Ba
黑色的矩形组成蒙特卡罗抽样。gydF4y2Ba
conjugateblmgydF4y2Ba
|gydF4y2BasemiconjugateblmgydF4y2Ba
|gydF4y2BadiffuseblmgydF4y2Ba
|gydF4y2BaempiricalblmgydF4y2Ba
|gydF4y2BacustomblmgydF4y2Ba
|gydF4y2BamixconjugateblmgydF4y2Ba
|gydF4y2BamixsemiconjugateblmgydF4y2Ba
|gydF4y2BalassoblmgydF4y2Ba
sampleroptionsgydF4y2Ba
|gydF4y2Ba估计gydF4y2Ba
你点击一个链接对应MATLAB命令:gydF4y2Ba
运行该命令通过输入MATLAB命令窗口。Web浏览器不支持MATLAB命令。金宝appgydF4y2Ba
你也可以从下面的列表中选择一个网站:gydF4y2Ba
选择中国网站(中文或英文)最佳站点的性能。其他MathWorks国家网站不优化的访问你的位置。gydF4y2Ba