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.
- 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_ustbiçiminde 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).
kumesütunundaegitim/train/trainingvetest/testingdışında 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_anakesin 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:
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:
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:
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:
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):
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:
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):
- 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.
EĞİTİMreddedilir (Python'un küçük harf dönüşümüi̇üretir);EğitimveTESTkabul 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; 12,5olarak (;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).tohumparametresi \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.