非线性回归- MATLAB和Simulink MathWorks金宝app联合王国gydF4y2Ba - 金宝app,下载188bet金宝搏,金宝搏官方网站

非线性回归gydF4y2Ba

非线性回归是什么?gydF4y2Ba

回归模型的目的是描述一个响应变量作为独立变量的函数。多元线性回归模型描述了响应的线性组合系数和独立变量的函数。非线性建模可以使用非线性函数的自变量。然而,系数总是输入模型以线性方式。gydF4y2Ba

非线性回归模型更机械模型的非线性响应和独立变量之间的关系。可以输入的参数模型作为指数,三角、权力,或任何其他的非线性函数。模型中的未知参数估计通过最小化一个统计标准如负对数似然或观测值和预测值之间的偏差的平方和。gydF4y2Ba

在药代动力学(PK)研究的情况下,响应数据通常代表了测量药物浓度,和独立变量通常剂量和时间。非线性函数通常用于这些数据是一个指数函数由于许多药物一旦病人分布在以指数的方式消除。在这种情况下一个PK参数估计是药物消除的速率从身体的浓度时间数据。gydF4y2Ba

例如,考虑药物血浆浓度数据从单一静脉丸后个人剂量测量在不同的时间点和一些错误。假定药物浓度测量遵循monoexponential下降:gydF4y2Ba ${CgydF4y2Ba}_{tgydF4y2Ba} =gydF4y2Ba {CgydF4y2Ba}_{0gydF4y2Ba} {egydF4y2Ba}^{-gydF4y2Ba {kgydF4y2Ba}_{egydF4y2Ba} tgydF4y2Ba} +gydF4y2Ba 一个gydF4y2Ba εgydF4y2Ba$ 。gydF4y2Ba

这个模型描述了体内的药物浓度的时间(gydF4y2BaCgydF4y2Ba_tgydF4y2Ba),作为药物浓度的函数后静脉丸在t = 0剂量(gydF4y2BaCgydF4y2Ba_0gydF4y2Ba)、时间(gydF4y2BatgydF4y2Ba),消除速率参数(gydF4y2BakgydF4y2Ba_egydF4y2Ba)。gydF4y2BaεgydF4y2Ba是均值为0,unit-variance变量,gydF4y2Ba $εgydF4y2Ba \simgydF4y2Ba NgydF4y2Ba (gydF4y2Ba 0gydF4y2Ba,gydF4y2Ba 1gydF4y2Ba)gydF4y2Ba$ 代表了测量误差gydF4y2Ba一个gydF4y2Ba是误差模型参数(在这里,标准差)。gydF4y2Ba

更一般的,您可以编写模型gydF4y2Ba

${ygydF4y2Ba}_{我gydF4y2Ba} =gydF4y2Ba fgydF4y2Ba (gydF4y2Ba tgydF4y2Ba;gydF4y2Ba pgydF4y2Ba)gydF4y2Ba +gydF4y2Ba ggydF4y2Ba (gydF4y2Ba {εgydF4y2Ba}_{我gydF4y2Ba})gydF4y2Ba$

在哪里gydF4y2BaygydF4y2Ba_我gydF4y2Ba是gydF4y2Ba我gydF4y2Bath响应(如药物浓度),gydF4y2BafgydF4y2Ba是时间的函数gydF4y2BatgydF4y2Ba和模型参数gydF4y2BapgydF4y2Ba(如gydF4y2BakgydF4y2Ba_egydF4y2Ba),和一个误差模型gydF4y2Ba $ggydF4y2Ba (gydF4y2Ba {εgydF4y2Ba}_{我gydF4y2Ba})gydF4y2Ba$ 。gydF4y2Ba

合适的选项SimBiologygydF4y2Ba

这个表总结了非线性回归SimBiology可用选项gydF4y2Ba^®gydF4y2Ba。gydF4y2Ba

合适的选项gydF4y2Ba

例子gydF4y2Ba

细化参数估计(未共享配件)gydF4y2Ba

分别适合每个人,导致估计为每个单独的一组参数。gydF4y2Ba

类别(或类属特异性的参数估计gydF4y2Ba

适合每个类别单独或一组,一组为每个类别参数估计。gydF4y2Ba

全民参数估计(池配件)gydF4y2Ba

适合所有的数据集中在一起,导致只有一组参数估计。gydF4y2Ba

此外,SimBiology支持四种误差模型测量或金宝app观察到的反应,也就是说,常数(默认),比例,结合和指数。有关详细信息,请参见gydF4y2Ba误差模型gydF4y2Ba。根据不同的优化方法,您可以指定一个错误为每个响应或响应模型。有关详细信息,请参见gydF4y2Ba金宝app支持SimBiology的参数估计方法gydF4y2Ba。gydF4y2Ba

参数转换gydF4y2Ba

SimBiology支金宝app持三种参数转换。这些参数转换可以有效改善拟合收敛或执行参数范围。gydF4y2Ba

一般的模型解释gydF4y2Ba以前gydF4y2Ba是gydF4y2Ba ${ygydF4y2Ba}_{我gydF4y2Ba} =gydF4y2Ba fgydF4y2Ba (gydF4y2Ba tgydF4y2Ba;gydF4y2Ba pgydF4y2Ba)gydF4y2Ba +gydF4y2Ba ggydF4y2Ba (gydF4y2Ba {εgydF4y2Ba}_{我gydF4y2Ba})gydF4y2Ba$ ,在那里gydF4y2BapgydF4y2Ba就是你可以变换模型参数。考虑以下两个方程。gydF4y2Ba

$βgydF4y2Ba =gydF4y2Ba TgydF4y2Ba (gydF4y2Ba pgydF4y2Ba)gydF4y2Ba$

$pgydF4y2Ba =gydF4y2Ba {TgydF4y2Ba}^{-gydF4y2Ba 1gydF4y2Ba} (gydF4y2Ba βgydF4y2Ba)gydF4y2Ba$

在这里,gydF4y2Ba $βgydF4y2Ba$ 代表gydF4y2Ba改变了gydF4y2Ba模型参数,gydF4y2BapgydF4y2Ba代表gydF4y2BauntransformedgydF4y2Ba模型参数,gydF4y2BaTgydF4y2Ba是转换,gydF4y2BaTgydF4y2Ba^1gydF4y2Ba逆变换。gydF4y2Ba

SimBiology执行参数估计使用转换参数gydF4y2BaβgydF4y2Ba,这意味着转换模型gydF4y2Ba $FgydF4y2Ba (gydF4y2Ba tgydF4y2Ba;gydF4y2Ba βgydF4y2Ba)gydF4y2Ba =gydF4y2Ba fgydF4y2Ba (gydF4y2Ba tgydF4y2Ba;gydF4y2Ba {TgydF4y2Ba}^{-gydF4y2Ba 1gydF4y2Ba} (gydF4y2Ba βgydF4y2Ba)gydF4y2Ba)gydF4y2Ba$ 使用,gydF4y2BaFgydF4y2Ba是使用转换函数模型的参数。同样,模型函数可以写成gydF4y2Ba $fgydF4y2Ba (gydF4y2Ba tgydF4y2Ba;gydF4y2Ba pgydF4y2Ba)gydF4y2Ba =gydF4y2Ba FgydF4y2Ba (gydF4y2Ba tgydF4y2Ba;gydF4y2Ba TgydF4y2Ba (gydF4y2Ba pgydF4y2Ba)gydF4y2Ba)gydF4y2Ba$ 。gydF4y2Ba

换句话说,SimBiology优化器使用gydF4y2Ba改变了gydF4y2Ba值在最大似然估计,但适合报道结果是回归到模型空间(gydF4y2BauntransformedgydF4y2Ba值)。例如,如果你估计一个间隙参数gydF4y2BaClgydF4y2Ba对数转换,gydF4y2BaClgydF4y2Ba_βgydF4y2Ba=gydF4y2Ba日志gydF4y2Ba(gydF4y2BaClgydF4y2Ba),gydF4y2BaClgydF4y2Ba_βgydF4y2Ba优化器使用,gydF4y2BaClgydF4y2Ba是看到什么模型。gydF4y2Ba

指定参数转换对untransformed参数隐式边界值。的gydF4y2Ba日志gydF4y2Ba转换使参数值总是积极的,和gydF4y2Ba分对数gydF4y2Ba和gydF4y2BaprobitgydF4y2Ba保持参数值之间的转换gydF4y2Ba0gydF4y2Ba和gydF4y2Ba1gydF4y2Ba。此外,您可以指定进一步限制untransformed参数的参数值通过提供明确的界限gydF4y2BapgydF4y2Ba或转换参数gydF4y2BaβgydF4y2Ba。gydF4y2Ba

转换gydF4y2Ba 改变参数和范围gydF4y2Ba ‡Untransformed参数和范围gydF4y2Ba 描述gydF4y2Ba

转换gydF4y2Ba	改变参数和范围gydF4y2Ba	‡Untransformed参数和范围gydF4y2Ba	描述gydF4y2Ba
`日志gydF4y2Ba`	$βgydF4y2Ba =gydF4y2Ba 日志gydF4y2Ba (gydF4y2Ba pgydF4y2Ba)gydF4y2Ba \ingydF4y2Ba (gydF4y2Ba -gydF4y2Ba 我gydF4y2Ba ngydF4y2Ba fgydF4y2Ba,gydF4y2Ba 我gydF4y2Ba ngydF4y2Ba fgydF4y2Ba]gydF4y2Ba$	$pgydF4y2Ba =gydF4y2Ba 经验值gydF4y2Ba (gydF4y2Ba βgydF4y2Ba)gydF4y2Ba \ingydF4y2Ba (gydF4y2Ba 0gydF4y2Ba,gydF4y2Ba 我gydF4y2Ba ngydF4y2Ba fgydF4y2Ba]gydF4y2Ba$	在许多情况下,gydF4y2Ba`日志gydF4y2Ba`变换是有用的参数,如速率常数,其值可能跨越好几个数量级,探索这类参数的参数空间。的gydF4y2Ba`日志gydF4y2Ba`转换也可以用于积极的物理量,如间隙或室体积。gydF4y2Ba 应用gydF4y2Ba`日志gydF4y2Ba`转换对untransformed参数隐式绑定,这样它的价值永远是正的。gydF4y2Ba
`分对数gydF4y2Ba`	$βgydF4y2Ba =gydF4y2Ba 分对数(p) =日志gydF4y2Ba (gydF4y2Ba \frac{pgydF4y2Ba}{1gydF4y2Ba -gydF4y2Ba pgydF4y2Ba})gydF4y2Ba \ingydF4y2Ba (gydF4y2Ba -gydF4y2Ba 我gydF4y2Ba ngydF4y2Ba fgydF4y2Ba,gydF4y2Ba 我gydF4y2Ba ngydF4y2Ba fgydF4y2Ba]gydF4y2Ba$	$pgydF4y2Ba =gydF4y2Ba 1gydF4y2Ba /gydF4y2Ba (gydF4y2Ba 1gydF4y2Ba +gydF4y2Ba 经验值gydF4y2Ba (gydF4y2Ba -gydF4y2Ba βgydF4y2Ba)gydF4y2Ba)gydF4y2Ba \ingydF4y2Ba (gydF4y2Ba 0gydF4y2Ba,gydF4y2Ba 1gydF4y2Ba]gydF4y2Ba$	的gydF4y2Ba`分对数gydF4y2Ba`转换强加了一个隐式绑定(之间gydF4y2Ba`0gydF4y2Ba`和gydF4y2Ba`1gydF4y2Ba`)untransformed参数值。它只能用于参数的值gydF4y2Ba`0gydF4y2Ba`和gydF4y2Ba`1gydF4y2Ba`,如生物利用度。或者,您可以指定参数界限(使用一个gydF4y2Ba`EstimatedInfo对象gydF4y2Ba`),而不是指定gydF4y2Ba`分对数gydF4y2Ba`转换。gydF4y2Ba
`probitgydF4y2Ba`	$βgydF4y2Ba =gydF4y2Ba norminvgydF4y2Ba (gydF4y2Ba pgydF4y2Ba)gydF4y2Ba \ingydF4y2Ba (gydF4y2Ba -gydF4y2Ba 我gydF4y2Ba ngydF4y2Ba fgydF4y2Ba,gydF4y2Ba 我gydF4y2Ba ngydF4y2Ba fgydF4y2Ba]gydF4y2Ba$	$pgydF4y2Ba =gydF4y2Ba normcdfgydF4y2Ba (gydF4y2Ba βgydF4y2Ba)gydF4y2Ba \ingydF4y2Ba (gydF4y2Ba 0gydF4y2Ba,gydF4y2Ba 1gydF4y2Ba]gydF4y2Ba$	类似于gydF4y2Ba`分对数gydF4y2Ba`,gydF4y2Ba`probitgydF4y2Ba`转换强加了一个隐式绑定(之间gydF4y2Ba`0gydF4y2Ba`和gydF4y2Ba`1gydF4y2Ba`)untransformed参数值。SimBiology使用正常的逆累积分布函数gydF4y2Ba`norminvgydF4y2Ba`(统计和机器学习的工具箱)gydF4y2Ba。gydF4y2Ba 的gydF4y2Ba`probitgydF4y2Ba`转换需要统计和机器学习的工具箱™。gydF4y2Ba

日志gydF4y2Ba

βgydF4y2Ba =gydF4y2Ba 日志gydF4y2Ba (gydF4y2Ba pgydF4y2Ba)gydF4y2Ba \ingydF4y2Ba (gydF4y2Ba -gydF4y2Ba 我gydF4y2Ba ngydF4y2Ba fgydF4y2Ba,gydF4y2Ba 我gydF4y2Ba ngydF4y2Ba fgydF4y2Ba]gydF4y2Ba

pgydF4y2Ba =gydF4y2Ba 经验值gydF4y2Ba (gydF4y2Ba βgydF4y2Ba)gydF4y2Ba \ingydF4y2Ba (gydF4y2Ba 0gydF4y2Ba,gydF4y2Ba 我gydF4y2Ba ngydF4y2Ba fgydF4y2Ba]gydF4y2Ba

在许多情况下,gydF4y2Ba日志gydF4y2Ba变换是有用的参数,如速率常数,其值可能跨越好几个数量级,探索这类参数的参数空间。的gydF4y2Ba日志gydF4y2Ba转换也可以用于积极的物理量,如间隙或室体积。gydF4y2Ba

应用gydF4y2Ba日志gydF4y2Ba转换对untransformed参数隐式绑定,这样它的价值永远是正的。gydF4y2Ba

分对数gydF4y2Ba

βgydF4y2Ba =gydF4y2Ba 分对数(p) =日志gydF4y2Ba (gydF4y2Ba \frac{pgydF4y2Ba}{1gydF4y2Ba -gydF4y2Ba pgydF4y2Ba})gydF4y2Ba \ingydF4y2Ba (gydF4y2Ba -gydF4y2Ba 我gydF4y2Ba ngydF4y2Ba fgydF4y2Ba,gydF4y2Ba 我gydF4y2Ba ngydF4y2Ba fgydF4y2Ba]gydF4y2Ba

pgydF4y2Ba =gydF4y2Ba 1gydF4y2Ba /gydF4y2Ba (gydF4y2Ba 1gydF4y2Ba +gydF4y2Ba 经验值gydF4y2Ba (gydF4y2Ba -gydF4y2Ba βgydF4y2Ba)gydF4y2Ba)gydF4y2Ba \ingydF4y2Ba (gydF4y2Ba 0gydF4y2Ba,gydF4y2Ba 1gydF4y2Ba]gydF4y2Ba

的gydF4y2Ba分对数gydF4y2Ba转换强加了一个隐式绑定(之间gydF4y2Ba0gydF4y2Ba和gydF4y2Ba1gydF4y2Ba)untransformed参数值。它只能用于参数的值gydF4y2Ba0gydF4y2Ba和gydF4y2Ba1gydF4y2Ba,如生物利用度。或者,您可以指定参数界限(使用一个gydF4y2BaEstimatedInfo对象gydF4y2Ba),而不是指定gydF4y2Ba分对数gydF4y2Ba转换。gydF4y2Ba

probitgydF4y2Ba

βgydF4y2Ba =gydF4y2Ba norminvgydF4y2Ba (gydF4y2Ba pgydF4y2Ba)gydF4y2Ba \ingydF4y2Ba (gydF4y2Ba -gydF4y2Ba 我gydF4y2Ba ngydF4y2Ba fgydF4y2Ba,gydF4y2Ba 我gydF4y2Ba ngydF4y2Ba fgydF4y2Ba]gydF4y2Ba

pgydF4y2Ba =gydF4y2Ba normcdfgydF4y2Ba (gydF4y2Ba βgydF4y2Ba)gydF4y2Ba \ingydF4y2Ba (gydF4y2Ba 0gydF4y2Ba,gydF4y2Ba 1gydF4y2Ba]gydF4y2Ba

类似于gydF4y2Ba分对数gydF4y2Ba,gydF4y2BaprobitgydF4y2Ba转换强加了一个隐式绑定(之间gydF4y2Ba0gydF4y2Ba和gydF4y2Ba1gydF4y2Ba)untransformed参数值。SimBiology使用正常的逆累积分布函数gydF4y2BanorminvgydF4y2Ba(统计和机器学习的工具箱)gydF4y2Ba。gydF4y2Ba

的gydF4y2BaprobitgydF4y2Ba转换需要统计和机器学习的工具箱™。gydF4y2Ba

使用了组合gydF4y2BaInitialTransformedValuegydF4y2Ba和gydF4y2BaTransformedBoundsgydF4y2Ba属性的gydF4y2BaEstimatedInfo对象gydF4y2Ba设置初始值和转换边界转化为所需的范围的子集。gydF4y2Ba

‡使用gydF4y2BaInitialValuegydF4y2Ba和gydF4y2Ba界限gydF4y2Ba属性的gydF4y2BaEstimatedInfo对象gydF4y2Ba设置初始untransformed值和untransformed边界所需的范围的子集。gydF4y2Ba

最大似然估计gydF4y2Ba

SimBiology由最大似然法估计参数。而不是直接最大化似然函数,SimBiology构造一个等价的最小化问题。只要有可能,制定作为加权最小二乘估计(gydF4y2BaWLSgydF4y2Ba)优化,最小化加权残差的平方和。否则,估计是制定的最小化的负面的对数可能性(gydF4y2Ba附近gydF4y2Ba)。的gydF4y2BaWLSgydF4y2Ba制定往往收敛比gydF4y2Ba附近gydF4y2Ba配方,SimBiology可以利用专业gydF4y2BaWLSgydF4y2Ba算法,如Levenberg-Marquardt算法实现gydF4y2BalsqnonlingydF4y2Ba和gydF4y2BalsqcurvefitgydF4y2Ba。SimBiology使用gydF4y2BaWLSgydF4y2Ba当有一个常数误差模型,比例,或指数。SimBiology使用gydF4y2Ba附近gydF4y2Ba如果你有一个误差模型或多级误差模型相结合,也就是说,每个响应的模型有一个错误。gydF4y2Ba

sbiofitgydF4y2Ba金宝app支持不同的优化方法,通过制定gydF4y2BaWLSgydF4y2Ba或gydF4y2Ba附近gydF4y2Ba表达式来最小化的优化方法。为简单起见,每个表达式所示假定只有一个误差模型和一个响应。如果有多个响应,SimBiology之和表达式对应的误差模型给出响应。gydF4y2Ba

	表达式被最小化gydF4y2Ba
加权最小二乘(gydF4y2BaWLSgydF4y2Ba)gydF4y2Ba	常数误差模型,gydF4y2Ba ${\sumgydF4y2Ba}_{我gydF4y2Ba}^{NgydF4y2Ba} {(gydF4y2Ba {ygydF4y2Ba}_{我gydF4y2Ba} -gydF4y2Ba {fgydF4y2Ba}_{我gydF4y2Ba})gydF4y2Ba}^{2gydF4y2Ba}$
	的比例误差模型,gydF4y2Ba ${\sumgydF4y2Ba}_{我gydF4y2Ba}^{NgydF4y2Ba} \frac{{(gydF4y2Ba {ygydF4y2Ba}_{我gydF4y2Ba} -gydF4y2Ba {fgydF4y2Ba}_{我gydF4y2Ba})gydF4y2Ba}^{2gydF4y2Ba}}{{fgydF4y2Ba}_{我gydF4y2Ba}^{2gydF4y2Ba} /gydF4y2Ba {fgydF4y2Ba}_{ggydF4y2Ba 米gydF4y2Ba}^{2gydF4y2Ba}}$
	指数的误差模型,gydF4y2Ba ${\sumgydF4y2Ba}_{我gydF4y2Ba}^{NgydF4y2Ba} {(gydF4y2Ba lngydF4y2Ba {ygydF4y2Ba}_{我gydF4y2Ba} -gydF4y2Ba lngydF4y2Ba {fgydF4y2Ba}_{我gydF4y2Ba})gydF4y2Ba}^{2gydF4y2Ba}$
	对数字的重量,gydF4y2Ba ${\sumgydF4y2Ba}_{我gydF4y2Ba}^{NgydF4y2Ba} \frac{{(gydF4y2Ba {ygydF4y2Ba}_{我gydF4y2Ba} -gydF4y2Ba {fgydF4y2Ba}_{我gydF4y2Ba})gydF4y2Ba}^{2gydF4y2Ba}}{{wgydF4y2Ba}_{ggydF4y2Ba 米gydF4y2Ba} /gydF4y2Ba {wgydF4y2Ba}_{我gydF4y2Ba}}$
负对数似(gydF4y2Ba附近gydF4y2Ba)gydF4y2Ba	综合误差模型和多级误差模型,gydF4y2Ba ${\sumgydF4y2Ba}_{我gydF4y2Ba}^{NgydF4y2Ba} \frac{{(gydF4y2Ba {ygydF4y2Ba}_{我gydF4y2Ba} -gydF4y2Ba {fgydF4y2Ba}_{我gydF4y2Ba})gydF4y2Ba}^{2gydF4y2Ba}}{2gydF4y2Ba {σgydF4y2Ba}_{我gydF4y2Ba}^{2gydF4y2Ba}} +gydF4y2Ba {\sumgydF4y2Ba}_{我gydF4y2Ba}^{NgydF4y2Ba} lngydF4y2Ba \sqrt{2gydF4y2Ba πgydF4y2Ba {σgydF4y2Ba}_{我gydF4y2Ba}^{2gydF4y2Ba}}$

变量定义如下。gydF4y2Ba

NgydF4y2Ba	数量的实验观察gydF4y2Ba
ygydF4y2Ba_我gydF4y2Ba	的gydF4y2Ba我gydF4y2Bath实验观察gydF4y2Ba
${fgydF4y2Ba}_{我gydF4y2Ba}$	的预测价值gydF4y2Ba我gydF4y2Bath观察gydF4y2Ba
${σgydF4y2Ba}_{我gydF4y2Ba}$	标准偏差的gydF4y2Ba我gydF4y2Ba观察。gydF4y2Ba 常数误差模型,gydF4y2Ba ${σgydF4y2Ba}_{我gydF4y2Ba} =gydF4y2Ba 一个gydF4y2Ba$ 的比例误差模型,gydF4y2Ba ${σgydF4y2Ba}_{我gydF4y2Ba} =gydF4y2Ba bgydF4y2Ba \|gydF4y2Ba {fgydF4y2Ba}_{我gydF4y2Ba} \|gydF4y2Ba$ 对于合并后的误差模型,gydF4y2Ba ${σgydF4y2Ba}_{我gydF4y2Ba} =gydF4y2Ba 一个gydF4y2Ba +gydF4y2Ba bgydF4y2Ba \|gydF4y2Ba {fgydF4y2Ba}_{我gydF4y2Ba} \|gydF4y2Ba$
${fgydF4y2Ba}_{ggydF4y2Ba 米gydF4y2Ba}$	${fgydF4y2Ba}_{ggydF4y2Ba 米gydF4y2Ba} =gydF4y2Ba {(gydF4y2Ba {\prodgydF4y2Ba}_{我gydF4y2Ba}^{NgydF4y2Ba} \|gydF4y2Ba {fgydF4y2Ba}_{我gydF4y2Ba} \|gydF4y2Ba)gydF4y2Ba}^{\frac{1gydF4y2Ba}{NgydF4y2Ba}}$
${wgydF4y2Ba}_{我gydF4y2Ba}$	的重量gydF4y2Ba我gydF4y2Bath预测值gydF4y2Ba
${wgydF4y2Ba}_{ggydF4y2Ba 米gydF4y2Ba}$	${wgydF4y2Ba}_{ggydF4y2Ba 米gydF4y2Ba} =gydF4y2Ba {(gydF4y2Ba {\prodgydF4y2Ba}_{我gydF4y2Ba}^{NgydF4y2Ba} {wgydF4y2Ba}_{我gydF4y2Ba})gydF4y2Ba}^{\frac{1gydF4y2Ba}{NgydF4y2Ba}}$

当您使用数字权重或加权函数,权重是假定为误差的方差成反比,也就是说,gydF4y2Ba ${σgydF4y2Ba}_{我gydF4y2Ba}^{2gydF4y2Ba} =gydF4y2Ba \frac{{一个gydF4y2Ba}^{2gydF4y2Ba}}{{wgydF4y2Ba}_{我gydF4y2Ba}}$ 在哪里gydF4y2Ba一个gydF4y2Ba是常数误差参数。如果你使用重量,你不能指定一个误差模型除了常数误差模型。gydF4y2Ba

各种优化方法有不同要求的函数最小化。一些模型参数估计方法,独立地执行错误的估计模型参数。下表总结了误差模型和任何单独的公式用于误差模型参数的估计gydF4y2Ba一个gydF4y2Ba和gydF4y2BabgydF4y2Ba误差模型参数和吗gydF4y2BaegydF4y2Ba是标准的均值为0和unit-variance(高斯)变量。gydF4y2Ba

误差模型gydF4y2Ba	参数估计误差函数gydF4y2Ba
`“不变”gydF4y2Ba`:gydF4y2Ba ${ygydF4y2Ba}_{我gydF4y2Ba} =gydF4y2Ba {fgydF4y2Ba}_{我gydF4y2Ba} +gydF4y2Ba 一个gydF4y2Ba egydF4y2Ba$	${一个gydF4y2Ba}^{2gydF4y2Ba} =gydF4y2Ba \frac{1gydF4y2Ba}{NgydF4y2Ba} {\sumgydF4y2Ba}_{我gydF4y2Ba}^{NgydF4y2Ba} {(gydF4y2Ba {ygydF4y2Ba}_{我gydF4y2Ba} -gydF4y2Ba {fgydF4y2Ba}_{我gydF4y2Ba})gydF4y2Ba}^{2gydF4y2Ba}$
`“指数”gydF4y2Ba`:gydF4y2Ba ${ygydF4y2Ba}_{我gydF4y2Ba} =gydF4y2Ba {fgydF4y2Ba}_{我gydF4y2Ba} 经验值gydF4y2Ba (gydF4y2Ba 一个gydF4y2Ba egydF4y2Ba)gydF4y2Ba$	${一个gydF4y2Ba}^{2gydF4y2Ba} =gydF4y2Ba \frac{1gydF4y2Ba}{NgydF4y2Ba} {\sumgydF4y2Ba}_{我gydF4y2Ba}^{NgydF4y2Ba} {(gydF4y2Ba lngydF4y2Ba {ygydF4y2Ba}_{我gydF4y2Ba} -gydF4y2Ba lngydF4y2Ba {fgydF4y2Ba}_{我gydF4y2Ba})gydF4y2Ba}^{2gydF4y2Ba}$
`“比例”gydF4y2Ba`:gydF4y2Ba ${ygydF4y2Ba}_{我gydF4y2Ba} =gydF4y2Ba {fgydF4y2Ba}_{我gydF4y2Ba} +gydF4y2Ba bgydF4y2Ba \|gydF4y2Ba {fgydF4y2Ba}_{我gydF4y2Ba} \|gydF4y2Ba egydF4y2Ba$	${bgydF4y2Ba}^{2gydF4y2Ba} =gydF4y2Ba \frac{1gydF4y2Ba}{NgydF4y2Ba} {\sumgydF4y2Ba}_{我gydF4y2Ba}^{NgydF4y2Ba} {(gydF4y2Ba \frac{{ygydF4y2Ba}_{我gydF4y2Ba} -gydF4y2Ba {fgydF4y2Ba}_{我gydF4y2Ba}}{{fgydF4y2Ba}_{我gydF4y2Ba}})gydF4y2Ba}^{2gydF4y2Ba}$
`“组合”gydF4y2Ba`:gydF4y2Ba ${ygydF4y2Ba}_{我gydF4y2Ba} =gydF4y2Ba {fgydF4y2Ba}_{我gydF4y2Ba} +gydF4y2Ba (gydF4y2Ba 一个gydF4y2Ba +gydF4y2Ba bgydF4y2Ba \|gydF4y2Ba {fgydF4y2Ba}_{我gydF4y2Ba} \|gydF4y2Ba)gydF4y2Ba egydF4y2Ba$	包含在最小化误差参数。gydF4y2Ba
权重gydF4y2Ba	${一个gydF4y2Ba}^{2gydF4y2Ba} =gydF4y2Ba \frac{1gydF4y2Ba}{NgydF4y2Ba} {\sumgydF4y2Ba}_{我gydF4y2Ba}^{NgydF4y2Ba} {(gydF4y2Ba {ygydF4y2Ba}_{我gydF4y2Ba} -gydF4y2Ba {fgydF4y2Ba}_{我gydF4y2Ba})gydF4y2Ba}^{2gydF4y2Ba} {wgydF4y2Ba}_{我gydF4y2Ba}$

请注意gydF4y2Ba

nlinfitgydF4y2Ba只支持单一金宝app误差模型,而不是多级误差模型,也就是说,response-specific误差模型。综合误差模型,它使用一个迭代gydF4y2BaWLSgydF4y2Ba算法。对于其他误差模型,它使用gydF4y2BaWLSgydF4y2Ba算法如前所述。有关详细信息,请参见gydF4y2BanlinfitgydF4y2Ba(统计和机器学习的工具箱)gydF4y2Ba。gydF4y2Ba

合适的工作流gydF4y2Ba

以下步骤显示一个工作流可以使用在命令行适合PK模型。gydF4y2Ba

导入数据gydF4y2Ba。gydF4y2Ba
转换数据gydF4y2BagroupedDatagydF4y2Ba格式。gydF4y2Ba
定义定量数据。有关详细信息,请参见gydF4y2Ba剂量SimBiology模型gydF4y2Ba。gydF4y2Ba
创建一个结构模型(一个,两个,或multicompartment模型)。有关详细信息,请参见gydF4y2Ba创建药代动力学模型gydF4y2Ba。gydF4y2Ba
响应变量的数据映射到模型组件。举个例子,如果你有中央室的药物浓度测量数据,然后将其映射到中央室(典型的药物种类gydF4y2BaDrug_CentralgydF4y2Ba物种)。gydF4y2Ba
使用一个指定的参数估计gydF4y2BaEstimatedInfo对象gydF4y2Ba。可选地,您可以指定参数转换,初始值和参数范围。gydF4y2Ba
执行参数估计使用gydF4y2BasbiofitgydF4y2Ba或gydF4y2BafitproblemgydF4y2Ba。gydF4y2Ba

范例,请参阅以下。gydF4y2Ba

另请参阅gydF4y2Ba

sbiofitgydF4y2Ba|gydF4y2BagroupedDatagydF4y2Ba|gydF4y2BaestimatedInfogydF4y2Ba|gydF4y2BasbiofitmixedgydF4y2Ba