MerQuR+Başvuru Kitabı

222. Bulanık doğrusal ve doğrusal olmayan regresyon

Şablon kimliği: bulanik_regresyon · Kategori: model · Dil: Python · Dosya: pro/sablonlar/model/bulanik_regresyon.py (satır 1–965; üstbilgi 1–205) · Örnek veri: _ornek/bulanik_regresyon_performans.csv · Paketler: numpy, scipy, pandas, matplotlib

222.1 Ne işe yarar

Yanıtı üçgensel bulanık sayı olan verilere regresyon uydurur. Bir üçgensel bulanık sayı (Zadeh, 1965) \tilde Y=(l,c,u) üç sayıyla tanımlanır: alt sınır l, merkez (üyelik 1) c ve üst sınır u; üyelik fonksiyonu l'den c'ye doğrusal çıkar, c'den u'ya doğrusal iner. Sol ve sağ yayılım e^L=c-l ve e^R=u-c'dir (asimetrik olabilir). Tipik kaynak: uzman derecelendirmeleri, "yaklaşık 60, en az 55 ve en çok 66" gibi ölçümler ya da aralıklı ölçümler. Şablon beş yaklaşımı aynı veride yan yana çalıştırır: (1) Tanaka'nın olasılıksal doğrusal programlaması, (2) Diamond'ın bulanık en küçük kareleri, (3) bulanık en küçük mutlak sapmalar (EKMS, FLAD), (4) Kim-Bishu üyelik fonksiyonu farkı ölçütü, (5) doğrusal olmayan bulanık regresyon.

\hat{\tilde Y}_i=\sum_{j}\tilde A_j\,z_{ij},\quad \tilde A_j=(a_j;\,s_j^L,\,s_j^R);\qquad d^2(\tilde Y,\hat{\tilde Y})=(l-\hat l)^2+(c-\hat c)^2+(u-\hat u)^2
\hat c_i=\sum_j a_jz_{ij},\quad \hat e^L_i=\sum_j\big(z_{ij}^{+}s_j^L+z_{ij}^{-}s_j^R\big),\quad \hat e^R_i=\sum_j\big(z_{ij}^{+}s_j^R+z_{ij}^{-}s_j^L\big)
  • z_{ij}: kesin girdi (j=1 kesişim için 1 olabilir); z^+=\max(z,0), z^-=\max(-z,0) (negatif girdide sol ve sağ yayılım yer değiştirir).
  • a_j: katsayının merkezi; s_j^L,s_j^R\ge0: katsayının sol ve sağ yayılımı; \hat l_i=\hat c_i-\hat e^L_i, \hat u_i=\hat c_i+\hat e^R_i.
  • d^2: iki üçgensel sayı arasındaki uzaklık (alt, merkez ve üst farklarının kareleri toplamı).

Ne zaman kullanılır?

  • Yanıt belirsizliği olasılıkla değil sözel ya da belirsiz ölçümle (aralık, "yaklaşık") ifade ediliyorsa ve bu belirsizliğin modele taşınması isteniyorsa.
  • Birkaç bulanık regresyon yaklaşımının (kapsayıcı Tanaka bandı, en küçük kareler, mutlak sapma, üyelik farkı) aynı veride karşılaştırılması gerekiyorsa.
  • Merkez ile yayılım arasında doğrusal olmayan ilişki (doygunluk, S biçimli büyüme) varsa: doğrusal olmayan bölüm.

Ne zaman kullanılmaz?

  • Merkezi ve yayılımı iki ayrı gerçek değerli yanıt gibi modelleyen yaklaşımlar için (ör. LR bulanık yanıt, Coppi ve ark., 2006) bu şablonda ayrı bir yöntem yoktur.
  • Olasılıksal çıkarım (güven aralığı, p değeri, hipotez testi) isteniyorsa: bulanık regresyon dağılım varsaymaz ve çıkarım vermez. Yanıt gerçekte tek bir sayıysa temel programdaki Doğrusal Regresyon ya da Doğrusal Olmayan Regresyon analizleri uygundur.
  • Yanıt gözlenmeyen bir değerin yalnız içinde bulunduğu aralık ise (sansür): Bölüm 142 aralik_sansur_regresyon.
  • Girdi sayısı çok (onlarca), gözlem azsa: Tanaka doğrusal programı ve Diamond kestirimi aşırı uyum yapar; en az p+2 eğitim satırı gerekir (710–716).

Tanım kararları. Üç noktada kaynak tanımı belirlemez ve şablon bir seçim yapar; bu seçimler sonucu değiştirir ve açıkça söylenmelidir: (i) Ortak uzaklık, alt \le merkez \le üst cezası ve kapsama oranı (doğrusal olmayan uyum): bunlar için kaynak bulunamamıştır, bunlar şablon seçimidir. (ii) Tanaka h düzeyi karar vericinin seçimidir (Lee ve Tanaka, 1999); varsayılan 0 bir kaynak varsayılanı değil, şablonun başlangıç değeridir. (iii) Diamond uzaklığı ve EKMS tanımı: Diamond uzaklığı ikincil kaynaktan doğrulanmış, makalenin tam metnine erişilememiştir; Choi ve Buckley'nin (2007) mutlak sapma tanımı doğrulanamamış, şablon üç noktanın mutlak sapmaları toplamını kullanır. Ek olarak Kim-Bishu ölçütünün ham ve göreli biçimi kullanıcı seçimidir (kb_olcut), kesişim/birleşim oranı Kim-Bishu ölçütü değildir ve a+b/x işlevi dikdörtgen hiperboldur (Ratkowsky, 1990; a+b/(1+dx) ailesinin d=0 özel durumu; bulanık regresyonda kullanımına dair kaynak bulunamamıştır). Yayımlanmış bir sayısal örnekle (Lee ve Tanaka, 1999 tablosu) karşılaştırma yapılamamıştır; doğrulama bağımsız hesapladır (222.6).

Temel programla ilişki. Temel programda bulanık regresyon yoktur. Doğrusal Regresyon ve Doğrusal Olmayan Regresyon analizleri yanıtı tek sayı olarak ele alır ve olasılıksal çıkarım (standart hata, güven aralığı, p değeri) verir; bu şablon çıkarım vermez, yanıtın belirsizliğini (yayılımını) modelin içinde taşır. Yanıtın merkezi tek başına modellenecekse temel program uygundur.

222.2 Şablonun girdileri

Form, üstbilgideki 29 [[param]] bloğundan kurulur (bulanik_regresyon.py:11–204). Türlerin anlamı ve ortak denetim Bölüm 1.2'dedir. y_merkez, y_a, y_b ve x_sutunlar sayısal roldür (Bölüm 1.3): kategorik türde gelen bir sütun etiketin sayı değeriyle aktarılır; sayıya çevrilemeyen değer hata verir.

Alan (form etiketi) · ad Tür · sekme Varsayılan Geçerli değerler Kodda etkisi
Bulanık yanıt biçimi · y_bicim seçim · değişkenler alt_merkez_ust alt_merkez_ust, merkez_yayilim Üç sütunun anlamı (11–18, 612–672).
Yanıt: merkez · y_merkez sayısal sütun · değişkenler — sayısal sütun c (19–23, 630, 656).
Yanıt: alt sınır ya da sol yayılım · y_a sayısal sütun · değişkenler — sayısal sütun l ya da e^L (24–28, 630, 657–664).
Yanıt: üst sınır ya da sağ yayılım · y_b sayısal sütun · değişkenler boş sayısal sütun u ya da e^R; merkez-yayılımda boşsa e^R=e^L (29–34, 616, 661).
Kesin girdiler · x_sutunlar sayısal sütunlar · değişkenler boş bir ya da çok sütun z_{ij} (35–42, 619, 633–634).
Bulanık girdi: merkez · xb_merkez sayısal sütun · değişkenler boş sayısal sütun Girdi olarak merkez, (43–48, 620, 635–637).
Bulanık girdi: yayılım · xb_yayilim sayısal sütun · değişkenler boş sayısal sütun Simetrik yayılım; ikisi birlikte seçilmelidir (49–54, 621–624).
Küme sütunu · kume sütun · değişkenler boş egitim/test değerleri Eğitim ve test ayrımı (55–61, 638–647, 682–691).
Test yüzdesi · test_yuzde ondalık · değişkenler 0 0–60 Küme sütunu yoksa rastgele test kümesi (62–69, 692–697).
Doğrusal modellerde kesişim · kesisim onay · model açık — Sabit sütun (70–75, 700–702).
Katsayı yayılımı · katsayi_simetri seçim · model asimetrik asimetrik, simetrik s^L=s^R olup olmadığı (76–82, 708).
Kim-Bishu ölçütü biçimi · kb_olcut seçim · model alan alan, goreli Ham fark alanı ya da göreli (83–90, 759–763).
Tanaka h düzeyi · tanaka_h ondalık · model 0,0 0–0,99 Kapsama kısıtının düzeyi (91–99, 725–727).
EKMS çözüm yolu · flad_cozum seçim · model dp dp, iagek Doğrusal program ya da yinelemeli ağırlıklı en küçük kareler (100–106, 755–756).
Doğrusal olmayan işlev · nl_islev seçim · model mm mm, ustel, ustel_doygun, kuvvet, lojistik, polinom2, polinom3, hiperbolik, tanh NLF (107–113, 392–402, 776).
İşlevdeki girdi · x_ana sütun · model boş (ilk kesin girdi) x_sutunlar içinden Ana girdi; öteki girdiler doğrusal eklemeli (114–120, 777–790).
Doğrusal olmayan uyum ölçütü · nl_uyum seçim · model d2 d2, ekms Ortak uzaklık (121–127, 804).
Doğrusal olmayan modele sabit · nl_kesisim onay · model kapalı — Doğrusal terimlere sabit (128–133, 791).
Üç ayrı uyumu karşılaştır · nl_ayri onay · model açık — Alt, merkez, üst ayrı uyumu (134–139, 856–862).
Başlangıç değerleri · nl_baslangic metin · gelişmiş boş ; ya da , ile ayrılmış sayılar Kullanıcı başlangıcı (140–146, 542–559).
Çoklu başlangıç sayısı · nl_baslangic_sayisi tamsayı · gelişmiş 10 (örnek ayar 3) 1–200 Rastgele başlangıç sayısı (147–154, 807, 809–822).
Tohum · tohum tamsayı · gelişmiş 0 (örnek ayar 7) 0–2147483647 0 ya da boş: oturum tohumu (155–162, 596–599).
Yöntem: Tanaka · yontem_tanaka onay · seçenekler açık — (163–168, 704, 750).
Yöntem: Diamond · yontem_diamond onay · seçenekler açık — (169–174, 752).
Yöntem: EKMS · yontem_flad onay · seçenekler açık — (175–180, 754).
Yöntem: Kim-Bishu · yontem_kimbishu onay · seçenekler açık — (181–186, 757).
Yöntem: doğrusal olmayan · yontem_dogrusal_olmayan onay · seçenekler açık — (187–192, 775).
Tahmin tablosu · tablo_tahmin onay · çıktı açık — (193–198, 918).
Grafik · sekil onay · çıktı açık — Yöntem başına bir şekil (199–204, 937).

Şablonun kendi denetimleri (mq.hata, _hata):

  • Veri yok (593–594); merkez ya da alt/sol sütunu seçilmemiş (613–615); alt_merkez_ust biçiminde üst sütunu yok (616–618).
  • Bulanık girdiden yalnız biri seçilmiş (622–624); hiçbir girdi yok (625–626); aynı sütun iki kez (627–628).
  • 8'den az tam satır (652–654); merkez-yayılım biçiminde negatif yayılım (662–663); alt \le merkez \le üst sırası bozuk — ilk bozuk satır numarasıyla (666–670); bulanık girdi yayılımı negatif (677–678).
  • kume sütununda egitim/train/training ve test/testing dışında değer (686–690).
  • Hiçbir yöntem seçilmemiş (705–706); eğitimde p+2'den az satır (710–712); girdi sütunları doğrusal bağımlı (713–716, kesişimle çakışan ya da sabit sütun, tekrar eden sütun); eğitim kümesi 4'ten küçük (717–718); h\notin[0{,}1) (726–727).
  • Göreli Kim-Bishu ve yayılımı sıfır olan yanıt satırı (759–762; ileti "Doğrusal programlama çözümü bulunamadı:" önekiyle görünür).
  • Doğrusal olmayan: x_ana kesin girdilerden değil (778–780); Michaelis-Menten için negatif ana girdi (794–795); kuvvet için pozitif olmayan (796–797); dikdörtgen hiperbol için sıfır (798–799); ana girdide M.\mathrm{npar}'dan az farklı değer (800–801); eğitimde M.n+2'den az satır (802–803); başlangıç metni sayı değil (553–555) ya da parametre sayısıyla uyuşmuyor (556–558); alt, merkez ya da üst eğri yakınsamadı (826–833).

Örnek ayar (ornek_param) varsayılandan şu yerlerde ayrılır: iki kesin girdi (egitim_saati, deneyim_yili), x_ana = egitim_saati, kume = kume, nl_baslangic_sayisi = 3, tohum = 7; yanıt sütunları verilmiştir.

222.3 Örnek veri

bulanik_regresyon_performans.csv: benzetimdir, gerçek ölçüm değildir. 240 çalışanın eğitim saati ve deneyim yılından Michaelis-Menten tipi performans (V_{\max}\approx82, K_m\approx14) üretilmiş ve dilsel değerlendirmeyi andıran asimetrik üçgensel bulanık sayılarla verilmiştir. Eksik değer yoktur. Veri sekmesi bütün sayısal sütunları "sayısal", kume sütununu "ikili" olarak algılar.

Değişken Rol Tür Özet
kisi_no satır kimliği (kullanılmaz) sayısal 1–240
egitim_saati kesin girdi, ana girdi sayısal 2,2–60; ortalama 31,8
deneyim_yili kesin girdi (doğrusal terim) sayısal 0–20 (tamsayı); ortalama 9,89
performans_merkez yanıt: merkez c sayısal 12,56–76,48; ortalama 54,88
performans_alt, performans_ust yanıt: l ve u sayısal l\le c\le u her satırda
sol_yayilim, sag_yayilim yanıt: e^L ve e^R (merkez-yayılım biçimi) sayısal 2,35–8,04 ve 1,90–8,52; iki ondalığa yuvarlanmış
kume eğitim/test ikili egitim 195, test 45

Veri sekmesi kume sütununda düzey sırasını ilk görülme sırasıyla egitim, test yazar; şablon sıraya bakmaz, değerleri küçük harfe çevirip karşılaştırır (642, 691).

Bölümde kullanılan çalıştırmalar (aksi belirtilmedikçe tohum 7 ve örnek ayar): (1) örnek ayar; (2) katsayi_simetri = simetrik; (3) h=0{,}5 ve h=0{,}9; (4) flad_cozum = iagek; (5) kb_olcut = goreli; (6) nl_uyum = ekms; (7) dokuz doğrusal olmayan işlev; (8) y_bicim = merkez_yayilim; (9) bulanık girdi (kitaba özgü stres_m, stres_s sütunları eklenmiş veri); (10) küme sütunu yerine test_yuzde = 20 (tohum 7 ve 8); (11) tek kesin girdi; (12) kesişimsiz; (13) negatif girdi; (14) tohum 0 ve 30 başlangıç; (15) bozuk veri denemeleri.

222.4 Yöntem: formüller ve hesap adımları

Hesap sırası: (1) satırları denetle ve yanıtı (l,c,u) biçimine getir, eğitim ve test kümelerini ayır; (2) doğrusal modellerde Z tasarım matrisini kur ve seçilen her yöntemi eğitim kümesinde çöz; (3) doğrusal olmayan modelde ana girdiye işlevi uygula, üç eğriyi ayrı ve ortak uydur; (4) bütün satırlar için üçlü tahmin (\hat l,\hat c,\hat u) üret (bulanık girdi varsa bandı genişlet); (5) eğitim ve test kümelerinde ölçütleri hesapla; (6) tabloları ve şekilleri yaz.

222.4.1 Bulanık katsayı aritmetiği

Doğrusal modelde parametre vektörü \theta=(a;\,s^L;\,s^R) (3p eleman; simetrik seçenekte s^L=s^R ve 2p eleman, 236–245). Üç satır sistemi (226–233) merkez, alt ve üst tahminlerini \theta'nın doğrusal işlevi yapar:

\hat c=Z\,a,\qquad \hat l=Z\,a-Z^{+}s^L-Z^{-}s^R,\qquad \hat u=Z\,a+Z^{-}s^L+Z^{+}s^R

Yayılım katsayıları \ge0 olmak zorundadır (_sinir, 243–245). Bulanık bir girdi seçilirse merkezi kesin girdi gibi tasarıma girer ve yayılımı kestirime girmez; kestirimden sonra tahmin bandı |\hat a_F|\cdot\sigma_F kadar iki yana genişletilir (742–745): birinci derece yayılım yaklaşımı (yayılımın küçük olduğu varsayımı).

Koddaki tercih

Girdiyi ötelemek (ör. merkezlemek) modeli değiştirir: yayılım |z| ile ölçeklendiğinden z^{+} ve z^{-} ayrışımı ötelemeyle değişir. egitim_saati'ne -30 eklendiğinde Diamond'ın o girdi için sol yayılımı 0{,}0291'den 0{,}0017'ye iner (222.8).

222.4.2 Diamond: bulanık en küçük kareler

Diamond (1988) üçgensel sayılar arasında d^2 uzaklığını kullanır ve toplamını en aza indirir:

\min_{a,\;s^L\ge0,\;s^R\ge0}\ \sum_{i}\Big[(c_i-\hat c_i)^2+(l_i-\hat l_i)^2+(u_i-\hat u_i)^2\Big]

Bu, \theta'da doğrusal en küçük kareler problemidir ve yalnız yayılımlar için alt sınır koşulu vardır (sınırlı en küçük kareler); scipy.optimize.lsq_linear(..., method="bvls") ile kesin çözülür (254–263).

222.4.3 Tanaka: olasılıksal doğrusal programlama

Tanaka, Uejima ve Asai (1982) ile Tanaka (1987) toplam yayılımı en aza indirirken her gözlenen bulanık sayının h düzeyinde tahmin bandı içinde kalmasını ister:

\min\ J=\sum_i\frac{\hat e^L_i+\hat e^R_i}{2}\quad\text{koşul: }\ \hat c_i-(1-h)\hat e^L_i\le c_i-(1-h)e^L_i,\ \ \hat c_i+(1-h)\hat e^R_i\ge c_i+(1-h)e^R_i

Bu bir doğrusal programdır (scipy.optimize.linprog, HiGHS: Huangfu ve Hall, 2018; 306–323). J=\sum_j\big(\sum_i|z_{ij}|\big)(s_j^L+s_j^R)/2 olduğundan amaç yalnız yayılım katsayılarına bağlıdır; merkez katsayıları yalnız kısıtlarda yer alır.

Çözüm tek değildir

Amaç merkez katsayısına bağlı olmadığından aynı J'ye birden çok alt-üst katsayı çifti ve çok sayıda merkez ayrışması karşılık gelebilir. h=0'da alt ve üst katsayılar bağımsız çözücülerle aynıdır, ama merkez katsayıları çözücüye bağlıdır; h>0'da yayılımın sol ve sağ paylaşımı da değişebilir (222.6, 222.8). Tablodaki Tanaka "merkez" sütunu bu nedenle bir tahmin merkezi olarak yorumlanmamalı, band alt ve üst katsayılarla okunmalıdır.

Neden h bir seçimdir?

h kapsama düzeyidir: h=0'da gözlenen desteğin tamamı, h büyüdükçe daha dar bir iç bölüm kapsanır ve band genişler (Tanaka, 1987). Literatür h'yi karar vericinin ya da uzmanın seçimine bırakır (Lee ve Tanaka, 1999: örnekte h=0). Şablonun varsayılanı 0'dır; bu bir kaynak varsayılanı değildir.

222.4.4 EKMS (FLAD)

Bulanık en küçük mutlak sapmalar (Choi ve Buckley, 2007) üç noktanın mutlak sapmalarını toplar:

\min_{a,\;s^L\ge0,\;s^R\ge0}\ \sum_i\Big(|c_i-\hat c_i|+|l_i-\hat l_i|+|u_i-\hat u_i|\Big)

dp seçeneğinde bu, artıkları pozitif ve negatif kısımlarına ayırarak doğrusal programa çevrilir ve HiGHS ile kesin çözülür (266–280). iagek seçeneği yinelemeli ağırlıklı en küçük karelerdir (283–303): her turda ağırlık 1/\sqrt{|r|} ile sınırlı en küçük kareler çözülür, amaç doğrudan izlenir ve en küçüğü korunur. Choi ve Buckley'nin uzaklık tanımı doğrulanamadığından üç noktanın mutlak sapmaları şablonun seçimidir.

222.4.5 Kim-Bishu: üyelik fonksiyonu farkı

Gözlenen \tilde Y_i ve tahmin edilen \hat{\tilde Y}_i üyelik fonksiyonları arasındaki alan en aza indirilir (Kim ve Bishu, 1998):

\min_{\theta}\ \sum_i D_i,\qquad D_i=\int\big|\mu_{\tilde Y_i}(t)-\mu_{\hat{\tilde Y}_i}(t)\big|\,dt

İki üçgenin üyelik fonksiyonu altı kırılma noktası arasında doğrusal olduğundan integral kapalı biçimde hesaplanır (332–356): her [p_k,p_{k+1}] aralığında uç farkları \delta_0,\delta_1 ise h(|\delta_0|+|\delta_1|)/2 (işaret aynı) ya da h(\delta_0^2+\delta_1^2)/(2(|\delta_0|+|\delta_1|)) (işaret değişir, kesişim noktasında ikiye bölünür). Ayrık iki üçgende D_i iki alanın toplamıdır. Amaç bir hata kareleri toplamı değildir ve düzgün değildir; eniyileme Powell (1964) yönteminden sonra Nelder-Mead (Nelder ve Mead, 1965) ile, Diamond ve Tanaka (h=0) çözümlerinden başlayarak yapılır (359–384). Göreli seçenekte her terim gözlenen üyelik alanına (u_i-l_i)/2 bölünür.

Merkez uyumu kötüyken yayılım sıfıra çökebilir

Gözlenen ve tahmin edilen üçgenler ayrıksa D_i=A_i+\hat A_i; kesin sayıya çökmüş bir tahminde (\hat A_i=0) D_i=A_i olduğundan ölçüt, merkezi iyi oturmayan bir modelde yayılımı sıfıra çekmeyi ödüllendirir. Kesişimsiz modelde bütün Kim-Bishu yayılımları sıfır çıkar (222.8). Ölçüt, uyumun kalitesini alan farkıyla ölçer; kendi başına "iyi merkez" garantisi vermez.

222.4.6 Doğrusal olmayan bulanık regresyon

Ana girdiye f(x;\vartheta) işlevi uygulanır, öteki girdiler doğrusal eklemeli girer: \hat y=f(x_{ana};\vartheta)+\sum_k\gamma_kz_k (436–475). İşlevler (392–402): Michaelis-Menten V_{\max}x/(K_m+x); üstel a e^{bx}; doygun üstel a(1-e^{-bx}); kuvvet ax^b; lojistik a/(1+e^{-b(x-c)}); 2. ve 3. derece polinom; dikdörtgen hiperbol a+b/x; tanh a\tanh(bx). Üç eğri ayrı ayrı (alt, merkez, üst) en küçük karelerle uydurulur (least_squares, trf: Branch ve ark., 1999; çoklu başlangıç; 498–519); sonra üç eğri ortak uydurulur:

\min_{\vartheta^l,\vartheta^c,\vartheta^u}\ \sum_i\Big[(c_i-\hat c_i)^2+(l_i-\hat l_i)^2+(u_i-\hat u_i)^2+\lambda^2\big((\hat l_i-\hat c_i)_+^2+(\hat c_i-\hat u_i)_+^2\big)\Big],\quad\lambda=100

Ceza terimi alt \le merkez \le üst sırasını korur (522–539). ekms seçeneğinde amaç mutlak sapmalar toplamıdır ve yinelemeli ağırlıklı en küçük karelerle çözülür (478–495). Ortak uzaklık ve ceza şablonun seçimidir (kaynak yoktur; Buckley ve Feuring, 2000 ortak bir evrimsel eniyileme yaklaşımı kullanır, farklıdır). Başlangıçlar: kullanıcı değerleri varsa onlar, ardından yanıt verisinden hesaplanan ham başlangıç (405–433) ve onun etrafında rastgele çarpanlarla nl_baslangic_sayisi − 1 nokta; alt ve üst eğriler merkez çözümünden de başlar (830–831).

Sonuç tablosunda her katsayı için "merkez", "sol yayılım" ve "sağ yayılım" yazılır; doğrusal olmayan uyumda yayılım, eğrilerin parametre farklarıdır (\vartheta^c-\vartheta^l ve \vartheta^u-\vartheta^c) ve işaretli olabilir (örnekte K_m için -1{,}695). Sıra ihlali olan satırlarda ölçütler hesaplanmadan önce band sıralanır (584–589).

222.4.7 Uyum ölçütleri

Gözlenen \tilde Y_i=(l_i,c_i,u_i) ve tahmin \hat{\tilde Y}_i için (563–581):

\mathrm{RMSE}_{bul}=\sqrt{\tfrac1n\sum_i\tfrac{(l_i-\hat l_i)^2+(c_i-\hat c_i)^2+(u_i-\hat u_i)^2}{3}},\qquad \mathrm{MAE}_{bul}=\tfrac1n\sum_i\tfrac{|l_i-\hat l_i|+|c_i-\hat c_i|+|u_i-\hat u_i|}{3}
\mathrm{Benz}=\frac1n\sum_i\frac{\int\min(\mu,\hat\mu)}{\int\max(\mu,\hat\mu)}=\frac1n\sum_i\frac{A_i+\hat A_i-D_i}{A_i+\hat A_i+D_i},\qquad \mathrm{KB}=\frac1n\sum_iD_i,\qquad \mathrm{KB}_{göreli}=\frac1n\sum_i\frac{D_i}{A_i}
\text{Kapsama}=\frac1n\sum_i\mathbf 1\big(\hat l_i\le l_i,\ \hat u_i\ge u_i\big),\qquad J=\sum_i\frac{\hat u_i-\hat l_i}{2}
  • A_i=(u_i-l_i)/2, \hat A_i=(\hat u_i-\hat l_i)/2: gözlenen ve tahmin üyelik fonksiyonunun altındaki alan; D_i: aradaki fark alanı.
  • Merkez RMSE ve MAE yalnız c üzerindedir. Kapsama oranı, gözlenen desteğin tahmin bandı içinde kalma payıdır (10^{-9} göreli toleransla); Tanaka'nın h=0 kapsama koşuluna karşılık gelir ve şablon seçimidir. J bir toplamdır, ortalama değildir.

222.5 Kod adım adım

Satırlar Ne yapar Neden / dikkat
1–205 Üstbilgi: 29 parametre. Yan dosya kitap dışıdır.
206–220 İçe aktarma, dil yardımcıları _m, _hata. np, pd, mq, P, df ad alanında hazırdır (Bölüm 1.3).
226–252 Z^+, Z^- ve üç satır sistemi; simetri matrisi T; sınırlar. Negatif girdide yayılım yer değiştirir.
254–323 Diamond (BVLS), EKMS (LP ve IRLS), Tanaka (LP). Kapalı çözüm / LP.
326–385 Tahmin; üyelik alanları; Kim-Bishu eniyilemesi. Alan kapalı biçimli.
388–560 Doğrusal olmayan işlevler, başlangıç, NLModel, IRLS, tek eğri, ortak uyum, başlangıç metni. mm için K_m\ge10^{-9}.
563–590 Ölçütler ve sıralama. Tahmin bandı sıralanır.
593–678 Veri denetimi, yanıt (l,c,u), girdiler. Sıra bozuksa hata.
680–727 Eğitim/test, tasarım matrisi, yöntem listesi, h denetimi. p+2 satır.
729–771 Doğrusal yöntemlerin çözümü ve katsayı tablosu. LP hatası except ValueError içinde (764–765).
773–862 Doğrusal olmayan: işlev, başlangıç, üç eğri, ortak uyum, katsayılar, ayrı uyum. Tohumlu rng.
864–935 Metin, katsayı tablosu, ölçüt tablosu, tahmin tablosu. 5000 satır sınırı.
937–965 Şekil: tek girdide veri ve bant; çoklu girdide \hat c'ya karşı c. Yöntem başına bir şekil.

222.6 Elle hesap: örnek veride bağımsız yeniden hesap

Bağımsız hesaplar dogrulama/bulanik_regresyon/elle_hesap.py (numpy ve scipy: Diamond nnls ile katsayı işaret ayrıştırmasıyla, Tanaka ve EKMS linprog(method="highs-ipm") ile, üyelik alanı kendi kırılma noktası koduyla, doğrusal olmayan uyum curve_fit'le) ve r_dogrulama.R (Tanaka lpSolve::lp, EKMS quantreg::rq.fit.fnc ile kısıtlı medyan regresyonu, Diamond kısıtlı en küçük karelerle ve etkin küme üzerinde kesin cilalamayla, Michaelis-Menten nls ve minpack.lm::nlsLM) ile yapılmıştır. Şablonun işlevleri kullanılmamıştır. Örnek ayar: 195 eğitim satırı, Z=[1,\ \text{egitim\_saati},\ \text{deneyim\_yili}].

Adım 1 — Diamond. \theta=(a;s^L;s^R) için nnls ile (a=a^+-a^- ayrıştırmasıyla) merkez a=(25{,}208332;\ 0{,}805408;\ 0{,}383579), sol yayılım (3{,}587781;\ 0{,}029127;\ 0{,}014727), sağ yayılım (3{,}679865;\ 0{,}017709;\ 0{,}005959); hata kareleri toplamı 23438{,}3769. R'de L-BFGS-B ve etkin küme cilalaması aynı değerleri verir.

Adım 2 — Tanaka, h=0. linprog ve lpSolve: J=3584{,}2593. Alt katsayılar \hat l: (6{,}837097;\ 0{,}908065;\ 0{,}045323); üst katsayılar \hat u: (43{,}078327;\ 0{,}908065;\ 0{,}096835) (alt =a-s^L, üst =a+s^R). Eğitimdeki satırların 3'ünde alt, 2'sinde üst kısıt tam bağlıdır. Merkez katsayısı tek değildir: deneyim_yili için şablon ve lpSolve a=0{,}096835 (sol yayılım 0{,}051512), highs-ipm a=0{,}045323 (sağ yayılım 0{,}051512); alt ve üst katsayılar aynıdır. h=0{,}5'te J=6058{,}5142 üç çözücüde de aynıdır ama sabit terimin alt ve üst katsayıları ayrışır: şablon ve highs-ipm 8{,}0377 ve 69{,}2168, lpSolve -22{,}5519 ve 38{,}6272.

Adım 3 — EKMS. highs-ipm ve rq.fit.fnc: mutlak sapma toplamı 2837{,}1636; merkez (31{,}03849;\ 0{,}682825;\ 0{,}357026), sol yayılım (4{,}505028;\ 0;\ 0{,}037261), sağ yayılım (2{,}517544;\ 0{,}041887;\ 0{,}030722) (çözüm tektir).

Adım 4 — Kim-Bishu. Şablon çözümünde (merkez (41{,}887729;\ 0{,}435155;\ 0{,}398279), yayılımlar yalnız egitim_saati için sıfırdan büyük: sol 0{,}104891, sağ 0{,}084697) toplam fark alanı bağımsız kapalı biçimle 713{,}80206 (ortalama 3{,}660523) bulunur. Bağımsız Nelder-Mead ve Powell aramaları üç başlangıçtan en çok 3\cdot10^{-9} göreli farkla daha küçük bir değer (713{,}802058) bulur: şablon çözümü eniyileme toleransı içinde yerel en iyidir. İki üçgenin ayrık olduğu bir örnek: kişi 1 (x=(1;\ 4{,}2;\ 16)): gözlenen (24{,}06;\ 27{,}17;\ 30{,}09), Diamond tahmini (30{,}7826;\ 34{,}7283;\ 38{,}5779); üyelik alanları 3{,}015 ve 3{,}8977, üçgenler kesişmediğinden D=3{,}015+3{,}8977=6{,}9127, benzerlik 0, d^2=174{,}365.

Adım 5 — Doğrusal olmayan (Michaelis-Menten + doğrusal deneyim_yili). Üç ayrı uyum, curve_fit ve nls/nlsLM: alt eğri V_{\max}=77{,}35659, K_m=15{,}70173, \gamma=0{,}357735; merkez 81{,}31962, 14{,}00649, 0{,}392774; üst 84{,}54852, 12{,}37638, 0{,}413172. Ortak uyumun amacı (kareler toplamı + sıra cezası) 3218{,}0385; sıra cezası bağlı değildir (sıra ihlali 0), bu yüzden ortak uyum üç ayrı uyumla aynıdır ve bağımsız least_squares aynı değeri bulur.

Adım 6 — Ölçütler. Diamond, eğitim: \mathrm{RMSE}_{bul}=6{,}329739, merkez RMSE 6{,}257112, KB 6{,}053108, kapsama 0{,}020513, J=874{,}4950; test: 5{,}390072, 5{,}243729, 5{,}765554, 0, 200{,}8811 (bağımsız kapalı biçimli alan ve kapsama hesabıyla aynıdır).

222.6.1 Doğrulama: MerQuR+, Python ve R

Büyüklük MerQuR+ Python (bağımsız) R (bağımsız) En büyük fark Ölçüt
Diamond: merkez, sabit 25,2083321 25,2083321 25,2083321 1,8e−15 1,0e−6 ✓
Diamond: merkez, egitim_saati 0,80540789 0,80540789 0,80540789 5,2e−15 1,0e−6 ✓
Diamond: merkez, deneyim_yili 0,38357871 0,38357871 0,38357871 4,7e−15 1,0e−6 ✓
Diamond: sol yayılım, sabit 3,58778054 3,58778054 3,58778054 2,3e−14 1,0e−6 ✓
Diamond: sol yayılım, egitim_saati 0,0291275 0,0291275 0,0291275 2,5e−15 1,0e−6 ✓
Diamond: sol yayılım, deneyim_yili 0,01472671 0,01472671 0,01472671 5,1e−15 1,0e−6 ✓
Diamond: sağ yayılım, sabit 3,67986519 3,67986519 3,67986519 5,4e−15 1,0e−6 ✓
Diamond: sağ yayılım, egitim_saati 0,01770931 0,01770931 0,01770931 2,9e−15 1,0e−6 ✓
Diamond: sağ yayılım, deneyim_yili 0,00595883 0,00595883 0,00595883 3,8e−15 1,0e−6 ✓
Diamond: hata kareler toplamı 23438,37693167 23438,37693167 23438,37693167 1,7e−15 1,0e−9 ✓
EKMS: merkez, sabit 31,0384903 31,0384903 31,0384903 1,3e−12 1,0e−6 ✓
EKMS: merkez, egitim_saati 0,68282548 0,68282548 0,68282548 5,2e−12 1,0e−6 ✓
EKMS: merkez, deneyim_yili 0,35702562 0,35702562 0,35702562 7,4e−12 1,0e−6 ✓
EKMS: sol yayılım, sabit 4,5050277 4,5050277 4,5050277 4,8e−11 1,0e−6 ✓
EKMS: sol yayılım, egitim_saati 0 0 1,710217·10−13 1,7e−13 1,0e−6 ✓
EKMS: sol yayılım, deneyim_yili 0,03726108 0,03726108 0,03726108 7,0e−12 1,0e−6 ✓
EKMS: sağ yayılım, sabit 2,51754418 2,51754418 2,51754418 1,1e−11 1,0e−6 ✓
EKMS: sağ yayılım, egitim_saati 0,04188716 0,04188716 0,04188716 5,0e−12 1,0e−6 ✓
EKMS: sağ yayılım, deneyim_yili 0,0307215 0,0307215 0,0307215 8,0e−12 1,0e−6 ✓
EKMS: mutlak sapma toplamı 2837,16359845 2837,16359845 2837,16359845 1,8e−14 1,0e−9 ✓
Tanaka (h = 0,0): alt katsayı, sabit 6,83709677 6,83709677 6,83709677 3,1e−15 1,0e−6 ✓
Tanaka (h = 0,0): üst katsayı, sabit 43,07832661 43,07832661 43,07832661 0 1,0e−6 ✓
Tanaka (h = 0,0): alt katsayı, egitim_saati 0,90806452 0,90806452 0,90806452 2,2e−16 1,0e−6 ✓
Tanaka (h = 0,0): üst katsayı, egitim_saati 0,90806452 0,90806452 0,90806452 2,2e−16 1,0e−6 ✓
Tanaka (h = 0,0): alt katsayı, deneyim_yili 0,04532258 0,04532258 0,04532258 1,5e−15 1,0e−6 ✓
Tanaka (h = 0,0): üst katsayı, deneyim_yili 0,09683468 0,09683468 0,09683468 1,0e−15 1,0e−6 ✓
Tanaka (h = 0,0): amaç J (eğitim) 3584,2593246 3584,2593246 3584,2593246 1,8e−15 1,0e−8 ✓
Tanaka (h = 0,5): alt katsayı, sabit 8,03767926 8,03767926 — 0 1,0e−6 ✓
Tanaka (h = 0,5): üst katsayı, sabit 69,21680169 69,21680169 — 0 1,0e−6 ✓
Tanaka (h = 0,5): alt katsayı, egitim_saati 0,92372085 0,92372085 — 1,1e−16 1,0e−6 ✓
Tanaka (h = 0,5): üst katsayı, egitim_saati 0,92372085 0,92372085 — 1,1e−16 1,0e−6 ✓
Tanaka (h = 0,5): alt katsayı, deneyim_yili 0,05527563 0,05527563 — 1,4e−17 1,0e−6 ✓
Tanaka (h = 0,5): üst katsayı, deneyim_yili 0,15024996 0,15024996 — 8,3e−17 1,0e−6 ✓
Tanaka (h = 0,5): amaç J (eğitim) 6058,51415224 6058,51415224 6058,51415224 4,5e−16 1,0e−8 ✓
Kim-Bishu: toplam fark alanı (şablon çözümünde; bağımsız kapalı biçim) 713,80205973 713,80205973 — 0 1,0e−8 ✓
Kim-Bishu: toplam fark alanı (şablon / bağımsız eniyileme sonucu) 713,80205973 713,8020576 — 3,0e−9 1,0e−7 ✓
Diamond eğitim: bulanık RMSE 6,32973946 6,32973946 — 1,4e−16 1,0e−8 ✓
Diamond eğitim: bulanık MAE 5,14058966 5,14058966 — 0 1,0e−8 ✓
Diamond eğitim: merkez RMSE 6,25711169 6,25711169 — 0 1,0e−8 ✓
Diamond eğitim: merkez MAE 5,09824247 5,09824247 — 0 1,0e−8 ✓
Diamond eğitim: kesişim/birleşim benzerliği 0,2258204 0,2258204 — 2,8e−17 1,0e−8 ✓
Diamond eğitim: Kim-Bishu alan farkı 6,05310801 6,05310801 — 4,4e−16 1,0e−8 ✓
Diamond eğitim: Kim-Bishu göreli hata 1,38916609 1,38916609 — 0 1,0e−8 ✓
Diamond eğitim: kapsama oranı 0,02051282 0,02051282 — 1,4e−17 1,0e−8 ✓
Diamond eğitim: Tanaka J 874,495 874,495 — 7,8e−16 1,0e−8 ✓
Diamond test: bulanık RMSE 5,39007157 5,39007157 — 1,6e−16 1,0e−8 ✓
Diamond test: bulanık MAE 4,50361459 4,50361459 — 3,9e−16 1,0e−8 ✓
Diamond test: merkez RMSE 5,24372874 5,24372874 — 3,4e−16 1,0e−8 ✓
Diamond test: merkez MAE 4,34368277 4,34368277 — 4,1e−16 1,0e−8 ✓
Diamond test: kesişim/birleşim benzerliği 0,26454228 0,26454228 — 5,6e−17 1,0e−8 ✓
Diamond test: Kim-Bishu alan farkı 5,76555395 5,76555395 — 0 1,0e−8 ✓
Diamond test: Kim-Bishu göreli hata 1,29770221 1,29770221 — 5,1e−16 1,0e−8 ✓
Diamond test: kapsama oranı 0 0 — 0 1,0e−8 ✓
Diamond test: Tanaka J 200,88106469 200,88106469 — 5,7e−16 1,0e−8 ✓
Tanaka eğitim: bulanık RMSE 16,85201762 16,85201762 — 0 1,0e−8 ✓
Tanaka eğitim: bulanık MAE 15,26305428 15,26305428 — 0 1,0e−8 ✓
Tanaka eğitim: merkez RMSE 19,22382338 19,22382338 — 3,7e−16 1,0e−8 ✓
Tanaka eğitim: merkez MAE 17,99670823 17,99670823 — 0 1,0e−8 ✓
Tanaka eğitim: kesişim/birleşim benzerliği 0,1648877 0,1648877 — 2,8e−17 1,0e−8 ✓
Tanaka eğitim: Kim-Bishu alan farkı 16,45755569 16,45755569 — 2,2e−16 1,0e−8 ✓
Tanaka eğitim: Kim-Bishu göreli hata 3,82264534 3,82264534 — 0 1,0e−8 ✓
Tanaka eğitim: kapsama oranı 1 1 — 0 1,0e−8 ✓
Tanaka eğitim: Tanaka J 3584,2593246 3584,2593246 — 0 1,0e−8 ✓
Tanaka test: bulanık RMSE 17,03012745 17,03012745 — 0 1,0e−8 ✓
Tanaka test: bulanık MAE 15,57952076 15,57952076 — 0 1,0e−8 ✓
Tanaka test: merkez RMSE 20,08320621 20,08320621 — 1,8e−16 1,0e−8 ✓
Tanaka test: merkez MAE 19,1159207 19,1159207 — 0 1,0e−8 ✓
Tanaka test: kesişim/birleşim benzerliği 0,16145 0,16145 — 2,8e−17 1,0e−8 ✓
Tanaka test: Kim-Bishu alan farkı 16,63349852 16,63349852 — 0 1,0e−8 ✓
Tanaka test: Kim-Bishu göreli hata 3,74637193 3,74637193 — 2,4e−16 1,0e−8 ✓
Tanaka test: kapsama oranı 0,97777778 0,97777778 — 1,1e−16 1,0e−8 ✓
Tanaka test: Tanaka J 825,80735887 825,80735887 — 0 1,0e−8 ✓
EKMS eğitim: bulanık RMSE 6,78753682 6,78753682 — 0 1,0e−8 ✓
EKMS eğitim: bulanık MAE 4,84985231 4,84985231 — 0 1,0e−8 ✓
EKMS eğitim: merkez RMSE 6,83901138 6,83901138 — 1,3e−16 1,0e−8 ✓
EKMS eğitim: merkez MAE 4,78456947 4,78456947 — 3,7e−16 1,0e−8 ✓
EKMS eğitim: kesişim/birleşim benzerliği 0,29192483 0,29192483 — 1,1e−16 1,0e−8 ✓
EKMS eğitim: Kim-Bishu alan farkı 5,35583751 5,35583751 — 1,7e−16 1,0e−8 ✓
EKMS eğitim: Kim-Bishu göreli hata 1,23889233 1,23889233 — 1,8e−16 1,0e−8 ✓
EKMS eğitim: kapsama oranı 0,04615385 0,04615385 — 5,6e−17 1,0e−8 ✓
EKMS eğitim: Tanaka J 881,80910004 881,80910004 — 2,6e−16 1,0e−8 ✓
EKMS test: bulanık RMSE 4,89020296 4,89020296 — 1,8e−16 1,0e−8 ✓
EKMS test: bulanık MAE 3,86337415 3,86337415 — 1,1e−16 1,0e−8 ✓
EKMS test: merkez RMSE 4,8075018 4,8075018 — 0 1,0e−8 ✓
EKMS test: merkez MAE 3,70680863 3,70680863 — 0 1,0e−8 ✓
EKMS test: kesişim/birleşim benzerliği 0,32819095 0,32819095 — 1,7e−16 1,0e−8 ✓
EKMS test: Kim-Bishu alan farkı 5,05605991 5,05605991 — 0 1,0e−8 ✓
EKMS test: Kim-Bishu göreli hata 1,14514477 1,14514477 — 0 1,0e−8 ✓
EKMS test: kapsama oranı 0 0 — 0 1,0e−8 ✓
EKMS test: Tanaka J 201,38969301 201,38969301 — 5,6e−16 1,0e−8 ✓
Kim-Bishu eğitim: bulanık RMSE 10,59022584 10,59022584 — 0 1,0e−8 ✓
Kim-Bishu eğitim: bulanık MAE 6,31427152 6,31427152 — 0 1,0e−8 ✓
Kim-Bishu eğitim: merkez RMSE 10,43666484 10,43666484 — 1,7e−16 1,0e−8 ✓
Kim-Bishu eğitim: merkez MAE 6,10166639 6,10166639 — 0 1,0e−8 ✓
Kim-Bishu eğitim: kesişim/birleşim benzerliği 0,34276233 0,34276233 — 5,6e−17 1,0e−8 ✓
Kim-Bishu eğitim: Kim-Bishu alan farkı 3,66052338 3,66052338 — 1,2e−16 1,0e−8 ✓
Kim-Bishu eğitim: Kim-Bishu göreli hata 0,84473461 0,84473461 — 0 1,0e−8 ✓
Kim-Bishu eğitim: kapsama oranı 0,03589744 0,03589744 — 9,7e−17 1,0e−8 ✓
Kim-Bishu eğitim: Tanaka J 589,05885035 589,05885035 — 7,7e−16 1,0e−8 ✓
Kim-Bishu test: bulanık RMSE 7,78119031 7,78119031 — 0 1,0e−8 ✓
Kim-Bishu test: bulanık MAE 5,37827363 5,37827363 — 0 1,0e−8 ✓
Kim-Bishu test: merkez RMSE 7,6517564 7,6517564 — 0 1,0e−8 ✓
Kim-Bishu test: merkez MAE 5,34504434 5,34504434 — 1,7e−16 1,0e−8 ✓
Kim-Bishu test: kesişim/birleşim benzerliği 0,26922198 0,26922198 — 1,1e−16 1,0e−8 ✓
Kim-Bishu test: Kim-Bishu alan farkı 4,43214524 4,43214524 — 0 1,0e−8 ✓
Kim-Bishu test: Kim-Bishu göreli hata 0,9728121 0,9728121 — 0 1,0e−8 ✓
Kim-Bishu test: kapsama oranı 0,04444444 0,04444444 — 4,9e−17 1,0e−8 ✓
Kim-Bishu test: Tanaka J 134,35141189 134,35141189 — 8,5e−16 1,0e−8 ✓
Doğrusal olmayan, ayrı uyum alt: Vmax 77,35659178 77,35658991 77,35659029 2,4e−8 1,0e−7 ✓
Doğrusal olmayan, ayrı uyum merkez: Vmax 81,31962294 81,3196228 81,31962287 1,8e−9 1,0e−7 ✓
Doğrusal olmayan, ayrı uyum ust: Vmax 84,5485235 84,54852367 84,54852361 2,0e−9 1,0e−7 ✓
Doğrusal olmayan, ayrı uyum alt: Km 15,70173451 15,70173296 15,70173324 9,9e−8 1,0e−7 ✓
Doğrusal olmayan, ayrı uyum merkez: Km 14,00649331 14,00649319 14,00649326 9,1e−9 1,0e−7 ✓
Doğrusal olmayan, ayrı uyum ust: Km 12,37637671 12,37637684 12,37637682 1,0e−8 1,0e−7 ✓
Doğrusal olmayan, ayrı uyum alt: deneyim_yili 0,35773492 0,35773489 0,35773489 3,2e−8 1,0e−7 ✓
Doğrusal olmayan, ayrı uyum merkez: deneyim_yili 0,39277356 0,39277356 0,39277356 4,8e−9 1,0e−7 ✓
Doğrusal olmayan, ayrı uyum ust: deneyim_yili 0,4131718 0,4131718 0,41317181 5,8e−9 1,0e−7 ✓
Doğrusal olmayan, ortak uyum alt: Vmax 77,3565898 77,35658978 — 2,9e−10 1,0e−6 ✓
Doğrusal olmayan, ortak uyum merkez: Vmax 81,31962269 81,3196227 — 1,8e−10 1,0e−6 ✓
Doğrusal olmayan, ortak uyum üst: Vmax 84,54852373 84,54852369 — 5,2e−10 1,0e−6 ✓
Doğrusal olmayan, ortak uyum alt: Km 15,70173286 15,70173285 — 9,6e−10 1,0e−6 ✓
Doğrusal olmayan, ortak uyum merkez: Km 14,00649313 14,00649314 — 8,9e−10 1,0e−6 ✓
Doğrusal olmayan, ortak uyum üst: Km 12,37637688 12,37637685 — 2,3e−9 1,0e−6 ✓
Doğrusal olmayan, ortak uyum alt: deneyim_yili 0,35773489 0,35773489 — 1,3e−10 1,0e−6 ✓
Doğrusal olmayan, ortak uyum merkez: deneyim_yili 0,39277356 0,39277356 — 3,7e−10 1,0e−6 ✓
Doğrusal olmayan, ortak uyum üst: deneyim_yili 0,4131718 0,4131718 — 6,3e−10 1,0e−6 ✓
Doğrusal olmayan ortak uyum: amaç (kareler toplamı + sıra cezası) 3218,03854548 3218,03854548 — 0 1,0e−9 ✓
Doğrusal olmayan ortak eğitim: bulanık RMSE 2,34540414 2,34540414 — 1,9e−16 1,0e−8 ✓
Doğrusal olmayan ortak eğitim: merkez RMSE 2,19844683 2,19844683 — 4,0e−16 1,0e−8 ✓
Doğrusal olmayan ortak eğitim: merkez MAE 1,74923123 1,74923123 — 5,1e−16 1,0e−8 ✓
Doğrusal olmayan ortak eğitim: Kim-Bishu alan farkı 3,01812812 3,01812812 — 0 1,0e−8 ✓
Doğrusal olmayan ortak eğitim: kesişim/birleşim benzerliği 0,51982352 0,51982352 — 0 1,0e−8 ✓
Doğrusal olmayan ortak eğitim: kapsama oranı 0,11794872 0,11794872 — 4,2e−17 1,0e−8 ✓
Doğrusal olmayan ortak eğitim: Tanaka J 864,28717025 864,28717025 — 1,3e−16 1,0e−8 ✓
Doğrusal olmayan ortak test: bulanık RMSE 2,73766641 2,73766641 — 1,6e−16 1,0e−8 ✓
Doğrusal olmayan ortak test: merkez RMSE 2,55704469 2,55704469 — 1,7e−16 1,0e−8 ✓
Doğrusal olmayan ortak test: merkez MAE 2,00782732 2,00782732 — 2,2e−16 1,0e−8 ✓
Doğrusal olmayan ortak test: Kim-Bishu alan farkı 3,4589987 3,4589987 — 0 1,0e−8 ✓
Doğrusal olmayan ortak test: kesişim/birleşim benzerliği 0,49528205 0,49528205 — 1,1e−16 1,0e−8 ✓
Doğrusal olmayan ortak test: kapsama oranı 0,11111111 0,11111111 — 0 1,0e−8 ✓
Doğrusal olmayan ortak test: Tanaka J 204,0050924 204,0050924 — 0 1,0e−8 ✓

Ölçütü karşılayan: 141/141. Tanaka doğrusal programının çözümü tek değildir: h = 0'da alt ve üst katsayılar R ile de aynıdır, merkez ayrıştırması çözücüye bağlıdır; h = 0,5'te yayılımın sol ve sağ paylaşımı da çözücüye bağlıdır (amaç J aynıdır). Bu nedenle h = 0,5 için R sütununda yalnız J karşılaştırılmıştır (222.6). Kim-Bishu sütununda bağımsız hesap, üyelik fonksiyonları arasındaki alanın kapalı biçimli kendi hesabıdır; eniyileme sonucunun yerel en iyi olduğu bağımsız Nelder-Mead ve Powell aramalarıyla sınanmıştır.

222.7 Çıktıyı okuma

Örnek ayar (tohum 7). Metin çıktısı:

240 gözlem (eğitim 195, test 45); yanıt biçimi: alt, merkez, üst; tohum 7.
Her katsayı üçgensel bir bulanık sayıdır: merkez, sol ve sağ yayılım (alt = merkez
- sol, üst = merkez + sağ). …
test kümesinde en küçük bulanık RMSE: Doğrusal olmayan: üç ayrı uyum (mm) (2,7377);
kapsama oranı 0,111.
Üç eğri ayrı uydurulduğunda alt <= merkez <= üst sırası 0 satırda bozuldu; ortak
uyumda (sıra cezalı) 0 satırda bozuldu. …

Bulanık katsayılar tablosu (alt ve üst sütunları a-s^L ve a+s^R'dir, burada yazılmamıştır; yöntem adları kısaltılmıştır):

yöntem          katsayı        merkez   sol_yay.  sağ_yay.
Tanaka          (sabit)          6.8371    0.0000   36.2412
Tanaka          egitim_saati     0.9081    0.0000    0.0000
Tanaka          deneyim_yili     0.0968    0.0515    0.0000
Diamond         (sabit)         25.2083    3.5878    3.6799
Diamond         egitim_saati     0.8054    0.0291    0.0177
Diamond         deneyim_yili     0.3836    0.0147    0.0060
EKMS            (sabit)         31.0385    4.5050    2.5175
EKMS            egitim_saati     0.6828    0.0000    0.0419
EKMS            deneyim_yili     0.3570    0.0373    0.0307
Kim-Bishu       (sabit)         41.8877    0.0000    0.0000
Kim-Bishu       egitim_saati     0.4352    0.1049    0.0847
Kim-Bishu       deneyim_yili     0.3983    0.0000    0.0000
NL ortak (mm)   Vmax            81.3196    3.9630    3.2289
NL ortak (mm)   Km              14.0065   -1.6952   -1.6301
NL ortak (mm)   deneyim_yili     0.3928    0.0350    0.0204

Uyum ölçütleri tablosu iki parça hâlinde (yöntem başına eğitim ve test satırı):

yöntem          küme    n   bul.RMSE  bul.MAE  mer.RMSE  mer.MAE
Tanaka          eğitim  195   16.8520  15.2631   19.2238  17.9967
Tanaka          test     45   17.0301  15.5795   20.0832  19.1159
Diamond         eğitim  195    6.3297   5.1406    6.2571   5.0982
Diamond         test     45    5.3901   4.5036    5.2437   4.3437
EKMS            eğitim  195    6.7875   4.8499    6.8390   4.7846
EKMS            test     45    4.8902   3.8634    4.8075   3.7068
Kim-Bishu       eğitim  195   10.5902   6.3143   10.4367   6.1017
Kim-Bishu       test     45    7.7812   5.3783    7.6518   5.3450
NL ortak (mm)   eğitim  195    2.3454   1.8535    2.1984   1.7492
NL ortak (mm)   test     45    2.7377   2.1703    2.5570   2.0078
NL ayrı (mm)    eğitim  195    2.3454   1.8535    2.1984   1.7492
NL ayrı (mm)    test     45    2.7377   2.1703    2.5570   2.0078
yöntem          küme    benzerlik  KB alan  KB göreli  kapsama   Tanaka J
Tanaka          eğitim    0.1649  16.4576    3.8226   1.0000  3584.2593
Tanaka          test      0.1614  16.6335    3.7464   0.9778   825.8074
Diamond         eğitim    0.2258   6.0531    1.3892   0.0205   874.4950
Diamond         test      0.2645   5.7656    1.2977   0.0000   200.8811
EKMS            eğitim    0.2919   5.3558    1.2389   0.0462   881.8091
EKMS            test      0.3282   5.0561    1.1451   0.0000   201.3897
Kim-Bishu       eğitim    0.3428   3.6605    0.8447   0.0359   589.0589
Kim-Bishu       test      0.2692   4.4321    0.9728   0.0444   134.3514
NL ortak (mm)   eğitim    0.5198   3.0181    0.6977   0.1179   864.2872
NL ortak (mm)   test      0.4953   3.4590    0.7611   0.1111   204.0051
NL ayrı (mm)    eğitim    0.5198   3.0181    0.6977   0.1179   864.2872
NL ayrı (mm)    test      0.4953   3.4590    0.7611   0.1111   204.0051
Öğe Ne yazar Nasıl yorumlanır
Bulanık katsayılar Merkez, sol ve sağ yayılım, alt, üst. Tanaka'da yalnız alt ve üst belirlidir (222.4.3); Kim-Bishu'da sıfır yayılım merkez uyumunun kötü olduğunu gösterebilir (222.8); doğrusal olmayan uyumda yayılım eğri farkıdır ve negatif olabilir.
Bulanık RMSE/MAE, merkez RMSE/MAE Üç noktanın ve yalnız merkezin hatası. Küçük iyidir; doğrusal olmayan ortak uyum 2{,}35 ile en küçüktür, Tanaka bandı kapsama için merkezi feda ettiğinden 16{,}85'tir.
Benzerlik, KB alan farkı, KB göreli hata Üyelik fonksiyonu örtüşmesi. KB, Kim-Bishu çözümünde en küçüktür (3{,}66), ama bulanık RMSE'si Diamond'dan kötüdür (10{,}59 ve 6{,}33): ölçütler farklı şeyleri ölçer.
Kapsama Gözlenen desteğin tahmin bandı içinde kalma payı. Yalnız Tanaka (h=0) kapsamayı garanti eder (1{,}00); öteki yöntemlerde düşüktür çünkü bant ortalama bir eğridir.
Tanaka J Toplam yarı genişlik. Toplamdır: eğitim ve test kümelerini ya da farklı yöntemleri n ile bölmeden karşılaştırmayın.
Sıra ihlali sayısı l\le c\le u ihlal eden satır. Doğrusal modellerde 0; doğrusal olmayan uyumda 0 ise ceza bağlı değildir.

Şekil 222.1. Tanaka (h=0): yatayda tahmin merkezi (yatay çubuk tahmin bandı), düşeyde gözlenen merkez (dikey çubuk gözlenen aralık). Mor noktalar eğitim, turuncu noktalar test; kesikli çizgi y=\hat y. Merkezler çizginin çok altında kalır: LP yalnız bandı sabitler (222.4.3).

Şekil 222.2. Doğrusal olmayan ortak uyum (Michaelis-Menten + doğrusal terim): tahmin merkezleri çizgi çevresinde toplanır; yatay çubuklar dardır.

Şekil 222.3. Tek kesin girdide (`egitim_saati`) doğrusal olmayan ortak uyum: gözlenen merkezler ve aralıklar (gri), tahmin merkezi (koyu çizgi) ve tahmin bandı. Doygunluk eğrisi Michaelis-Menten'e uyar (V_{\max}=83{,}15, K_m=11{,}81).

Diğer çalıştırmalar (tohum 7):

Çalıştırma Sonuç
simetrik Doğrusal modellerde s^L=s^R: Diamond sabit için yayılım 3{,}6338 (iki yan), Tanaka J aynı (3584{,}2593); EKMS merkez RMSE 6{,}7542 (asimetrikte 6{,}8390).
h=0{,}5 ve h=0{,}9 Tanaka J 6058{,}5 ve 26789{,}7 (eğitim); bulanık RMSE 27{,}25 ve 132{,}67: h büyüdükçe band hızla genişler; öteki yöntemler değişmez.
flad_cozum = iagek EKMS katsayıları LP çözümünden ayrışır (sabit 31{,}0399 ve 31{,}0385); mutlak sapma toplamı biraz büyüktür; bulanık RMSE 6{,}7902 (6{,}7875 yerine).
kb_olcut = goreli Kim-Bishu sabit 41{,}5979, egitim_saati 0{,}4425 (41{,}8877 ve 0{,}4352 yerine); göreli hata 0{,}8438 (eğitim).
nl_uyum = ekms Michaelis-Menten V_{\max}=80{,}4596, K_m=13{,}7034; bulanık RMSE 2{,}3558 (eğitim).
nl_islev (eğitim bulanık RMSE) mm 2{,}3454; polinom3 2{,}4970; ustel_doygun 2{,}6084; lojistik 3{,}2097; tanh 3{,}2661; polinom2 3{,}3032; kuvvet 3{,}7527; hiperbolik 7{,}1919; ustel 7{,}6673. Gerçek süreç Michaelis-Menten olduğundan en uygun ve en az parametreli işlev mm'dir.
merkez_yayilim (sol_yayilim, sag_yayilim) Aynı katsayılar; Kim-Bishu yalnız son basamaklarda ayrışır (41{,}8872 ve 41{,}8877) çünkü yayılım sütunları iki ondalığa yuvarlanmıştır.
Bulanık girdi (stres_m, stres_s) Merkez kesin girdi gibi katsayı alır (Diamond 2{,}1245); bantlar yayılımla genişler; doğrusal olmayan bulanık RMSE 2{,}9533.
test_yuzde = 20, tohum 7 ve 8 Eğitim 192, test 48; Diamond test bulanık RMSE 6{,}8197 ve 5{,}9207: küçük testte bölünmeye duyarlılık.
Tek kesin girdi Doğrusal olmayan V_{\max}=83{,}1542, K_m=11{,}8090; Diamond bulanık RMSE 6{,}7278.
Kesişimsiz Tanaka eğitim J=14037{,}3; Kim-Bishu yayılımları sıfır, benzerlik 0 (222.8); Diamond bulanık RMSE 11{,}43.
Tohum 0 ve 30 başlangıç Katsayılar en çok 5{,}7\cdot10^{-7} ve 3{,}3\cdot10^{-8} ayrışır.

Rapor cümlesi örneği:

240 çalışanın performansı üçgensel bulanık sayı (alt, merkez, üst) olarak verildi; 195 çalışanla (eğitim) beş bulanık regresyon yaklaşımı uydurulup 45 çalışanla (test) sınandı. Michaelis-Menten tipi doğrusal olmayan bulanık regresyon (V_{\max}=81{,}32, K_m=14{,}01, deneyim yılı katsayısı 0{,}393) en küçük bulanık RMSE'yi verdi (eğitim 2{,}35, test 2{,}74). Doğrusal Diamond modeli 6{,}33 ve 5{,}39, Tanaka kapsayıcı bandı (h=0) 16{,}85 ve 17{,}03 bulanık RMSE verdi; Tanaka bandı eğitim gözlemlerinin tamamını (kapsama 1{,}00) çevreler. Çıkarım olasılıksal değildir; güven aralığı ve p değeri verilmemiştir.

222.8 Sık hatalar ve tuzaklar

  • Tanaka merkezini tahmin merkezi sanmak. LP yalnız bandı belirler; merkez katsayıları çözücüye bağlıdır ve merkez RMSE'si büyüktür (19{,}22). Band alt ve üst katsayılarla yorumlanmalı, merkez tahmini için Diamond ya da EKMS kullanılmalıdır.
  • Tanaka h'sini varsayılanla bırakmak. h=0 kapsayıcı en geniş banttır (J=3584); h=0{,}9'da 26790'a çıkar. h bir seçimdir: gerekçesiyle belirtin.
  • Kim-Bishu yayılımının sıfır çıkması. Merkez uyumu kötü olan modelde (örn. kesişimsiz; merkez RMSE 15{,}57) yayılım sıfıra çöker ve göreli hata tam 1{,}0 olur. Önce merkez uyumunu düzeltin; ölçütü tek başına kullanmayın.
  • Girdiyi ötelemek. Yayılım |x| ile ölçeklendiği için merkezleme sonucu değiştirir (222.4.1). Negatif girdide sol ve sağ yayılım yer değiştirir.
  • Kapsama oranını tek ölçüt almak. Doğrusal olmayan modellerde 0{,}12'dir çünkü alt ve üst eğriler gözlenen aralıkların ortalama eğrileridir; kapsama yalnız Tanaka'ya özgü bir hedeftir.
  • Tanaka J'yi kümeler arasında karşılaştırmak. J toplamdır: eğitim (195 satır) 874{,}5, test (45 satır) 200{,}9; satır başına 4{,}48 ve 4{,}46.
  • Küme sütununda Türkçe büyük harf. EĞİTİM reddedilir (Python'un küçük harf dönüşümü i̇ üretir); Eğitim ve TEST kabul edilir.
  • Kesin yanıtta göreli Kim-Bishu. Yayılımı sıfır olan satırda tanımsızdır; ileti "Doğrusal programlama çözümü bulunamadı:" önekiyle görünür (yanıltıcıdır). Ham alan seçeneğini kullanın.
  • Negatif girdide Michaelis-Menten. Ana girdi negatif olamaz; girdiyi ötelemeden çalıştırmayın.
  • Başlangıç değerlerinde ondalık virgül. 80,5; 12,5 olarak (; ayırıcısıyla) yazılabilir; 80,5 12,5 (noktalı virgülsüz, boşluklu) sayı değil sayılır ve hata verir. Nokta kullanın.
  • Çıkarım beklemek. Şablon güven aralığı ya da p değeri vermez; bulanık katsayıların yayılımı ölçüm belirsizliğidir, örnekleme belirsizliği değil.
  • Tohum. Arayüzde tohum alanı yoktur: her çalıştırmaya yeni bir tohum atanır ve betik adımına kaydedilir; betik yeniden oynatıldığında aynı tohum kullanılır (pro/gui/kod_panel.py:553–554, Bölüm 57.3). tohum parametresi \ne0 ise onu belirler. Eğitim/test bölünmesi ve rastgele başlangıçlar aynı üreteçten çekilir; bölünme başlangıçlardan önce yapıldığından başlangıç sayısı bölünmeyi değiştirmez.

222.9 Uzman soruları

S1. Neden Tanaka'nın merkez katsayısı tek değil?

Amaç J=\sum_j(\sum_i|z_{ij}|)(s_j^L+s_j^R)/2 yalnız yayılımlara bağlıdır; merkez, kısıtlarda alt ve üst sınırı a-(1-h)s^L ve a+(1-h)s^R olarak belirlemeye yarar. Alt ve üst sınır sabit tutulursa a ile iki yayılım arasında bir serbestlik kalır: h=0'da a artarsa s^L aynı miktarda büyür ve s^R küçülür, J değişmez (örnekte deneyim_yili için 0{,}0968 ya da 0{,}0453). Lee ve Tanaka (1999) simetrik olmayan katsayıları bu serbestlikle birlikte tanımlar; ikinci aşamada merkezin belirlenmesi gerekir.

S2. Diamond neden "kesin" çözülebilir, Kim-Bishu neden değil?

Diamond amacı \theta'da ikinci dereceden dışbükeydir ve yalnız alt sınır kısıtı vardır: BVLS sonlu adımda tek çözüme ulaşır; nnls ve R'nin L-BFGS-B'si aynı değeri verir. Kim-Bishu amacı parçalı doğrusal-karesel ve dışbükey değildir (ayrık üçgenlerde toplamsal, kesişenlerde karesel); yerel en iyiler olabilir. Şablon Diamond ve Tanaka çözümlerinden başlar ve bağımsız aramalar ancak 3\cdot10^{-9} göreli farkla daha küçük bir değer bulmuştur.

S3. Kim-Bishu ve Diamond neden farklı "en iyi"yi seçer?

Diamond merkez ve uç sapmalarının karelerini cezalandırır; Kim-Bishu üyelik fonksiyonları arasındaki alanı. Bir tahmin merkezi kaçırırsa alan farkı en çok A+\hat A'dır (üçgenler ayrıksa), yani merkezdeki büyük hata karesel değil doğrusal cezalanır ve dar yayılım ödüllendirilir. Örnekte Kim-Bishu alan farkını 3{,}66'ya indirir (Diamond 6{,}05), ama merkez RMSE'si 10{,}44'tür (Diamond 6{,}26).

S4. Doğrusal olmayan uyumda ortak uyum neden ayrı uyumlarla birebir aynı?

Ortak amaçta sıra cezası (\lambda=100) yalnız \hat l>\hat c ya da \hat c>\hat u olduğunda sıfırdan farklıdır. Örnekte üç ayrı eğri zaten sıralıdır (ihlal 0); ceza bağlı değildir ve ortak amaç, üç ayrı en küçük kareler toplamının toplamına iner. Ceza bağlı olsaydı ortak çözüm ayrı çözümlerden ayrışırdı. Ortak uzaklık ve ceza kaynaksız şablon seçimidir.

S5. Dikdörtgen hiperbol a+b/x neden "hiperbolik" adıyla ve neden bu şablonda?

a+b/(1+dx) ailesinin d=0 özel durumudur (Ratkowsky, 1990); b<0 ile x\to\infty için a'ya yaklaşan artan bir eğri verir (örnekte a=61{,}05, b=-159{,}48). Bulanık regresyonda kullanımı için kaynak bulunamamıştır; işlev şablon seçimidir. Veri Michaelis-Menten'e uyduğundan a+b/x bulanık RMSE'yi 7{,}19'a çıkarır (mm: 2{,}35).

S6. Neden bulanık girdinin yayılımı kestirime girmez?

Yayılımı kestirime sokmak girdi belirsizliğinin yanıt belirsizliğine nasıl yansıdığını modellemeyi gerektirir (hata-değişkenler modeli). Şablon birinci derece yayılım yaklaşımını kestirimden sonra uygular: bant her iki yana |\hat a_F|\cdot\sigma_F kadar genişler. Yayılım büyükse ya da model doğrusal değilse bu yaklaşım kaba kalır; doğrusal olmayan modelde bulanık merkez doğrusal terim sayılır.

S7. Kim-Bishu ölçütünün ham ve göreli biçimi sonucu nasıl değiştirir?

Göreli biçim her terimi gözlenen üyelik alanına böler: dar gözlenen aralıklı satırların ağırlığı artar. Örnekte göreli seçenek sabit ve egitim_saati katsayısını 41{,}8877 ve 0{,}4352'den 41{,}5979 ve 0{,}4425'e kaydırır. Makalenin tam metnine erişilemediğinden hangi biçimin Kim ve Bishu'nun tanımı olduğu doğrulanamamıştır; seçim kullanıcıya bırakılmıştır. Yayılımı sıfır olan satırda göreli biçim tanımsızdır.

S8. Bu regresyonu olasılıksal çıkarımla nasıl tamamlarsınız?

Bulanık katsayıların yayılımı ölçüm (belirsizlik) bilgisidir; örnekleme değişkenliğini ifade etmez. Çıkarım isteniyorsa bootstrap (satır yeniden örnekleme ve her örneklemde şablonun yeniden çalıştırılması) ya da merkez regresyonu için temel programdaki Doğrusal Regresyon güven aralıkları kullanılır. Şablon bootstrap sunmaz.

S9. Eğitim/test bölünmesinin sonuçlara etkisi nedir?

kume sütunu verilirse bölünme sabittir; test_yuzde ile rastgele bölünme tohuma bağlıdır ve küçük testte (48 satır) bulanık RMSE tohuma göre 6{,}82 ile 5{,}92 arasında oynar. Küme sütunu verilmişse test_yuzde kullanılmaz ve uyarı yazılmaz.

222.10 Kaynaklar

  • Buckley, J. J., & Feuring, T. (2000). Linear and non-linear fuzzy regression: Evolutionary algorithm solutions. Fuzzy Sets and Systems, 112(3), 381–394. https://doi.org/10.1016/s0165-0114(98)00154-7
  • Choi, S. H., & Buckley, J. J. (2007). Fuzzy regression using least absolute deviation estimators. Soft Computing, 12(3), 257–263. https://doi.org/10.1007/s00500-007-0198-3
  • Coppi, R., D'Urso, P., Giordani, P., & Santoro, A. (2006). Least squares estimation of a linear regression model with LR fuzzy response. Computational Statistics & Data Analysis, 51(1), 267–286. https://doi.org/10.1016/j.csda.2006.04.036
  • Diamond, P. (1988). Fuzzy least squares. Information Sciences, 46(3), 141–157. https://doi.org/10.1016/0020-0255(88)90047-3
  • Huangfu, Q., & Hall, J. A. J. (2018). Parallelizing the dual revised simplex method. Mathematical Programming Computation, 10(1), 119–142. https://doi.org/10.1007/s12532-017-0130-5
  • Kim, K. J., & Bishu, R. R. (1998). Evaluation of fuzzy linear regression models by comparing membership functions. Fuzzy Sets and Systems, 100(1–3), 343–352. https://doi.org/10.1016/s0165-0114(97)00100-0
  • Lee, H., & Tanaka, H. (1999). Fuzzy approximations with non-symmetric fuzzy parameters in fuzzy regression analysis. Journal of the Operations Research Society of Japan, 42(1), 98–112. https://doi.org/10.15807/jorsj.42.98
  • Nelder, J. A., & Mead, R. (1965). A simplex method for function minimization. The Computer Journal, 7(4), 308–313. https://doi.org/10.1093/comjnl/7.4.308
  • Powell, M. J. D. (1964). An efficient method for finding the minimum of a function of several variables without calculating derivatives. The Computer Journal, 7(2), 155–162. https://doi.org/10.1093/comjnl/7.2.155
  • Ratkowsky, D. A. (1990). Handbook of nonlinear regression models. Marcel Dekker.
  • Tanaka, H. (1987). Fuzzy data analysis by possibilistic linear models. Fuzzy Sets and Systems, 24(3), 363–375. https://doi.org/10.1016/0165-0114(87)90033-9
  • Tanaka, H., Uejima, S., & Asai, K. (1982). Linear regression analysis with fuzzy model. IEEE Transactions on Systems, Man, and Cybernetics, 12(6), 903–907. https://doi.org/10.1109/TSMC.1982.4308925
  • Zadeh, L. A. (1965). Fuzzy sets. Information and Control, 8(3), 338–353. https://doi.org/10.1016/S0019-9958(65)90241-X
  • Branch, M. A., Coleman, T. F., & Li, Y. (1999). A subspace, interior, and conjugate gradient method for large-scale bound-constrained minimization problems. SIAM Journal on Scientific Computing, 21(1), 1–23. https://doi.org/10.1137/S1064827595289108
  • Yazılım kaydı: Python 3.13.1 (numpy 2.4.6, scipy 1.16.3, pandas 2.3.3, matplotlib 3.10.9; çalıştırmanın yazılım kaydından); bağımsız doğrulama: R 4.5.3 (lpSolve 5.6.23, quantreg 6.1, minpack.lm 1.2.4), Python 3.13.1 (numpy 2.4.6, scipy 1.16.3). Berkelaar, M., & ark. lpSolve. https://doi.org/10.32614/CRAN.package.lpSolve; Koenker, R. quantreg. https://doi.org/10.32614/CRAN.package.quantreg.