رگرسیون پواسون: تفاوت میان نسخه‌ها
محتوای حذف‌شده محتوای افزوده‌شده
برچسب‌ها: متن دارای ویکی‌متن نامتناظر ویرایشگر دیداری |
برچسب‌ها: متن دارای ویکی‌متن نامتناظر ویرایشگر دیداری |
||
خط ۲۱:
: <math>p(y\mid x;\theta) = \frac{\lambda^y}{y!} e^{-\lambda} = \frac{e^{y \theta' x} e^{-e^{\theta' x}}}{y!}</math>
حال اگر فرض کنیم که <math>m</math> داده داریم یعنی <math>(x_1, y_1), \cdots, (x_m, y_m)</math> و مقادیر متغیر مستقل از مجموعه اعداد طبیعی می‌آید یعنی <math>y_1,\ldots,y_m \in \mathbb{N}</math> و متغیرهای وابسته <math>n+1</math> هستند یعنی <math>x_i \in \mathbb{R}^{n+1}, \, i = 1,\ldots,m</math> آنگاه احتمال متغیرهای مستقل به شرط مشاهده متغیرهای وابسته برابر خواهد شد با:<math>p(y_1,\ldots,y_m\mid x_1,\ldots,x_m;\theta) = \prod_{i=1}^m \frac{e^{y_i \theta' x_i} e^{-e^{\theta' x_i}}}{y_i!}.</math>
حال بر حسب اصل بیشینه‌سازی درست نمایی باید به دنبال پارامتری بگردیم که این درست نمایی به بیشترین مقدار خود برسد، یعنی تابع پایین بیشینه شود:<math>L(\theta\mid X,Y) = \prod_{i=1}^m \frac{e^{y_i \theta' x_i} e^{-e^{\theta' x_i}}}{y_i!}.</math>
== پیاده سازی‌ها ==▼
Some [[statistics packages]] include implementations of Poisson regression.
* [[متلب]] Statistics Toolbox: Poisson regression can be performed using the "glmfit" and "glmval" functions.<ref>http://www.mathworks.com/help/toolbox/stats/glmfit.html</ref>
| |||