自适应线性回归
Adaptive Linear regression
假设我有一组样本，它由具有均匀概率分布（高斯）的非平稳随机过程组成。我需要对样本集进行自适应线性回归。基本上我希望 'best-fit' 行以某种方式运行。我有一个 separate 信号，我知道 Y=Mx+B 形式的 'best-fit' 线的斜率 M proportional到另一个信号。所以我需要优化问题来最小化点之间的距离，但给我一个与其他信号成比例的斜率。解决此问题的最简单的机器 learning/stats 方法是什么？
如果我对你的问题的理解正确，你可以只使用正态回归，或者梯度下降类型的算法，但是你可以使用已知的 M 的比例常数来代替 M 和 B 的自由度数据，和一个单独的 B.
即。已知信号：
Y1 = M1*x + B1
Y2 = k*M1*x + B2
求解 k 和 B2，使 x 和 y 的平均差最小化。
从理论上讲，这似乎是内在的。如果您首先解决了线性解决方案的问题。 k 将是 M2 / M1 ....
假设我有一组样本，它由具有均匀概率分布（高斯）的非平稳随机过程组成。我需要对样本集进行自适应线性回归。基本上我希望 'best-fit' 行以某种方式运行。我有一个 separate 信号，我知道 Y=Mx+B 形式的 'best-fit' 线的斜率 M proportional到另一个信号。所以我需要优化问题来最小化点之间的距离，但给我一个与其他信号成比例的斜率。解决此问题的最简单的机器 learning/stats 方法是什么？
如果我对你的问题的理解正确，你可以只使用正态回归，或者梯度下降类型的算法，但是你可以使用已知的 M 的比例常数来代替 M 和 B 的自由度数据，和一个单独的 B.
即。已知信号：
Y1 = M1*x + B1
Y2 = k*M1*x + B2
求解 k 和 B2，使 x 和 y 的平均差最小化。
从理论上讲，这似乎是内在的。如果您首先解决了线性解决方案的问题。 k 将是 M2 / M1 ....