标签: parametric-equations

我有以下幸存模型:

Call:
survreg(formula = Surv(time = (ev.time), event = ev) ~ age, 
    data = my.data, dist = "weib")
             Value Std. Error    z        p
(Intercept) 4.0961     0.5566 7.36 1.86e-13
age         0.0388     0.0133 2.91 3.60e-03
Log(scale)  0.1421     0.1208 1.18 2.39e-01
Scale= 1.15 

Weibull distribution

我想根据上述估计绘制危险函数和生存函数.
我不想使用predict()或pweibull()(如此处所示参数生存或此处的问题.

我想用这个curve()功能.我有什么想法可以做到这一点？似乎幸存者的Weibull函数使用了比平常更多的尺度和形状定义(并且与例如rweibull不同).

更新:我想我真的需要它来表达危害/存活的估计的函数Intercept,age (+ other potential covariates),Scale不使用任何现成的*weilbull功能.

我有该形式的实验数据(X,Y)和该形式的理论模型，(x(t;*params),y(t;*params))其中t是物理（但不可观察）变量，*params是我想要确定的参数。是连续变量，模型中和之间存在t1:1 关系。xtyt

在完美的世界中，我会知道（参数的真实世界值）的值T，并且能够进行极其基本的最小二乘拟合来找到 的值*params。（请注意，我并没有x尝试在图中“连接”和的值y，例如31243002或31464345。）我无法保证在我的实际数据中，潜在值T是单调的，因为我的数据是跨多个周期收集的。

我对手动进行曲线拟合不太有经验，并且必须使用极其粗糙的方法，而无法轻松访问基本的 scipy 函数。我的基本方法包括：

1. 选择 的一些值*params并将其应用于模型
2. 获取一个值数组t并将其放入模型中以创建一个数组model(*params) = (x(*params),y(*params))
3. 将X（数据值）插值model得到Y_predicted
4. Y在和之间运行最小二乘（或其他）比较Y_predicted
5. 再次执行此操作以获得一组新的*params
6. 最终选择最佳值*params

这种方法有几个明显的问题。

1）我在编码方面没有足够的经验来开发一个非常好的“再做一次”，而不是“尝试解决方案空间中的所有内容”，或者“在粗网格中尝试所有内容”，然后“在稍微稍稍的范围内再次尝试所有内容”在粗网格的热点中形成更细的网格。” 我尝试做MCMC方法，但我从未找到任何最佳值，主要是因为问题2

2）步骤2-4本身效率非常低。

我尝试过类似的东西（类似于伪代码；实际的函数是组成的）。关于在 A、B 上使用广播可能会出现许多小问题，但这些问题没有需要对每个步骤进行插值的问题那么重要。

我认识的人建议使用某种期望最大化算法，但我对此了解不够，无法从头开始编写代码。我真的希望有一些很棒的 scipy （或其他开源）算法我还没有找到能够解决我的整个问题，但目前我不抱希望。

import numpy as np
import scipy as sci
from …

我需要将平面方程从参数形式转换为笛卡尔形式。例如：

(1, 2, -1) + s(1, -2, 3) + t(1, 2, 3)

至：

ax+yb+cz+d=0

因此，基本上，我的问题是：如何找到a，b，c和d，以及转换背后的逻辑是什么？

我目前正在python中实现一个称为回声状态网络(ESN)的回归神经网络(RNN),用于时间序列分类(TSC).

我想用参数方程生成轨迹,然后训练我的神经网络对这些轨迹进行分类,就像MickaelHüsken和Peter Stagge,时间序列分类的递归神经网络这篇文章一样.最后,我想比较我的ESN和他们的RNN之间的性能.
好吧,我遇到了其中一个轨迹的问题.

以下是根据本文的三个类:

哪个应该生成这样的东西:

我生成每个类的50个轨迹,alpha是固定为0.7的浮点数,beta和t0是在0和2*pi之间随机选择的.轨迹包含30个点,因此时间步长为(2*pi)/ 30.

这是我的代码,我知道它不是最pythonic的方式,但它完成了第一和第三类的工作.但是,第二类仍然被窃听:(

import numpy as np
import sys, getopt, random

timestep = 2.0*np.pi / 30.0
alpha = 0.7

def class1(t, beta):
    return alpha*np.sin(t+beta)*np.abs(np.sin(t)), alpha*np.cos(t+beta)*np.abs(np.sin(t))

def class2(t, beta):
    return alpha*np.sin(t/2.0+beta)*np.sin(3.0/2.0*t), alpha*np.cos(t+beta)*np.sin(2.0*t)

def class3(t, beta):
    return alpha*np.sin(t+beta)*np.sin(2.0*t), alpha*np.cos(t+beta)*np.sin(2.0*t)

def generate():
    clazz = {
            '1' : class1,
            '2' : class2,
            '3' : class3
            }

    for classID in clazz :
        for i in xrange(50):
            fd = open("dataset/%s_%s"%(classID, i+1), 'w')
            beta = 2*np.pi*np.random.random()
            t = 2*np.pi*np.random.random() …

假设(x(t),y(t))具有极坐标(√t,2πt).绘图(x(t),y(t))为t∈[0,10].

R中没有适当的功能用极坐标绘图.我通过给出x =√t&y =2πt尝试了正常的情节.但结果图并不像预期的那样.

我从"使用r进行科学编程和模拟的介绍"中得到了这个问题,书中说的是情节应该是螺旋式的.

我有一条带有点a,(6,12)和b点(45,18)的线.

要使用向量描述此行,方程式为L = [6,12] + t [39,6]

我怎样才能找到这条线的法线？

我是R的新手,我需要绘制二次矩阵方程:

x^T A x + b^T x + c = 0

在R ^ 2中,A是2x2,ba 2x1和ca常数.该等式用于定义点类的边界.我需要绘制边界x0 = -6...6,x1 = -4...6.我的第一个想法是生成一堆点并看到它们在零的位置,但它取决于数字之间的增量(很可能我不会猜测哪些点为零).

有没有一种更好的方法,而不仅仅是生成一堆点,看看它在哪里为零或乘以它？任何帮助将非常感激,

谢谢.