Ne näyttävät minulle samanlaisilta, mutta en ole varma.
Päivitys: tämä ei jälkikäteen ollut kovin hyvä kysymys. OLS viittaa rivin sovittamiseen dataan ja RSS on kustannustoiminto, jota OLS käyttää. Se löytää parametrit, jotka antavat vähiten neliön virheiden jäännössumma. Sitä kutsutaan tavalliseksi tarkoittaa OLS: ssä sitä, että teemme lineaarisen sovituksen.
Vastaa
Tässä on -määritys Wikipediasta :
Tilastoissa neliöiden jäännössumma (RSS) on jäännösneliöiden summa. Se mittaa tietojen ja estimointimalli; Tavalliset pienimmät neliöt (OLS) on menetelmä tuntemattoman pa arvioimiseksi viivaajat lineaarisessa regressiomallissa, jonka tarkoituksena on minimoida eräissä mielivaltaisissa tietojoukoissa havaittujen vastausten ja tietojen lineaarisen lähentämisen ennustamat vastaukset.
Joten RSS on mittari siitä, kuinka hyvä malli lähestyy tietoja, kun taas OLS on menetelmä hyvän mallin luomisesta.
Kommentit
- Sinulla on ei aavistustakaan kuinka hyödyllinen vastauksesi on!
Vastaa
Tavalliset pienimmät neliöt (OLS)
Tavalliset pienimmät neliöt (OLS) on tilastojen työhevonen. Se antaa tavan ottaa monimutkaisia tuloksia ja selittää käyttäytymistä (kuten suuntauksia) lineaarisuuden avulla. OLS: n yksinkertaisin sovellus on rivin sovittaminen.
Jäännökset
Jäännökset ovat havaittuja virheitä arvioiduista kertoimista. Jäännökset ovat tietyssä mielessä arvioita virheistä.
Selittäkäämme asiat R -koodilla:
Sovita ensin a tavallinen pienin neliö timantti-tietojoukko UsingR -kirjastossa:
library(UsingR) data("diamond") y <- diamond$price x <- diamond$carat n <- length(y) olsline <- lm(y ~ x) plot(x, y, main ="Odinary Least square line", xlab = "Mass (carats)", ylab = "Price (SIN $)", bg = "lightblue", col = "black", cex = 2, pch = 21,frame = FALSE) abline(olsline, lwd = 2) 
Lasketaan nyt neliöiden jäännössumma eli jäännössumma: In R voit helposti laskea jäännöksen muodossa resid(olsline), visualisointiin lasketaan se manuaalisesti:
# The residuals from R method e <- resid(olsline) ## Obtain the residuals manually, get the predicated Ys first yhat <- predict(olsline) # The residuals are y -yhat, Let"s check by comparing this with R"s build in resid function ce <- y - yhat max(abs(e-ce)) ## Let"s do it again hard coding the calculation of Yhat max(abs(e- (y - coef(olsline)[1] - coef(olsline)[2] * x))) # Residuals arethe signed length of the red lines plot(diamond$carat, diamond$price, main ="Residuals sum of (actual Y - predicted Y)^2", xlab = "Mass (carats)", ylab = "Price (SIN $)", bg = "lightblue", col = "black", cex = 2, pch = 21,frame = FALSE) abline(olsline, lwd = 2) for (i in 1 : n) lines(c(x[i], x[i]), c(y[i], yhat[i]), col = "red" , lwd = 2) 
Toivottavasti nämä visualisoinnit tyhjentävät epäilyt RSS & OLS
Kommentit
- Viite: Coursera Reg ression Models -luokka , olen äskettäin suorittanut sen.
Vastaa
Tavallaan OLS on malli regressioviivan arvioimiseksi harjoitustietojen perusteella. Vaikka RSS on parametri, joka tietää mallin tarkkuuden sekä testaus- että harjoitustiedoissa.