精华内容
下载资源
问答
  • VIF
    千次阅读
    2019-03-08 15:54:22

    参考博文:多重共性和VIF检验

    更多相关内容
  • 信息保真度准则(Information Fidelity Criterion
  • VIF-开源

    2021-06-30 09:38:10
    VIF 项目的目标是创建下一代讨论论坛,即具有扩展功能的论坛,使其特别适合讨论复杂和有争议的问题。 因此,VIF 可以用作“知识工厂”。
  • 瑞萨科技公司(Renesas)宣布推出M61101FP,在所有的PLL*1 VIF/SIF*2 信号处理 IC中,它具有业界最低的150 mW功耗,用在移动电话和笔记本电脑等产品的NTSC*3 制式电视调谐电路中。在2004 年9月10日,将从日本开始样品...
  • 该技术使用计量经济学方法来验证变量多元回归线性无关:如果所有对角线数据的逆相关矩阵的元素小于 VIF(如经验法则 VIF=10)。 搜索过程是二分法的变种,所以复杂度最多为 log(n)。 在每次迭代中它选择一个项目从...
  • 用于确定回归矩阵中共线性的程度和性质(也称为多重共线性)的几个 Matlab 函数。 给定一个设计矩阵,返回条件指数(最大奇异值与每个奇异值的比率)、方差分解比例和方差膨胀因子。 Belsley、Kuh 和 Welsch [1] ...
  • 软件集合多种功能于一身,立足于IIS SDK核心开发技术,经过多年的技术融合,使MYIIS-VIF工作在高效、稳定、安全的一种状态下。是每个IIS站长必选的多功能工具。实践证明,IIS是一个高效的WEB处理端,将多种IIS工具...
  • 利用嵌合内含子增强HIV-1 Vif蛋白的体外表达,罗海华,黄凤,目的:为了增强HIV-1 Vif蛋白的体外表达,构建含有嵌合内含子的真核表达载体。方法:利用基因重组的技术,成功克隆出在载体自带启动
  • 细胞蛋白CBF-β辅助HIV-1病毒Vif蛋白突破宿主天然免疫 ,王虹,周小红,人类免疫缺陷病毒(HIV-1)的辅助蛋白Vif被称为病毒感染因子 (Viral infectivity factor),它对病毒在某些非允许细胞系内的成功感染非常重要�
  • MATLAB关于VIF视觉保真度的代码
    function  wtree = ind2wtree(pyr, ind)
    
    %this function is called by vifvec.m
    % converts the output of Eero Simoncelli's pyramid routines into subbands in a cell array
    C=pyr;
    S=ind;
    
    offset=0;
    numsubs=size(ind,1);
    for i=1:numsubs
        wtree{numsubs-i+1}=reshape(C(offset+1:offset+prod(S(i,:))), S(i,1),S(i,2));
        offset=offset+prod(S(i,:));
    end
    function [ssarr, l_arr, cu_arr]=refparams_vecgsm(org,subands,M)
    
    %This function computes the parameters of the reference image. This is
    %called by vifvec.m.
    
    for i=1:length(subands);
        sub=subands(i);
        y=org{sub};
        
        sizey=floor(size(y)./M)*M; % crop  to exact multiple size
        y=y(1:sizey(1),1:sizey(2));
        
        
        % Collect MxM blocks. Rearrange each block into an
        % M^2 dimensional vector and collect all such vectors.
        % Collece ALL possible MXM blocks (even those overlapping) from the subband
        temp=[];
        for j=1:M
            for k=1:M
                temp=cat(1,temp,reshape(y(k:end-(M-k), j:end-(M-j)),1,[]));
            end
        end
        
        % estimate mean and covariance
        mcu=mean(temp')';
        cu=((temp-repmat(mcu,1,size(temp,2)))*(temp-repmat(mcu,1,size(temp,2)))')./size(temp,2); % covariance matrix for U
        
        % Collect MxM blocks as above. Use ONLY non-overlapping blocks to
        % calculate the S field
        temp=[];
        for j=1:M
            for k=1:M
                temp=cat(1,temp,reshape(y(k:M:end, j:M:end),1,[]));
            end
        end
    
        % Calculate the S field
        ss=(inv(cu)*temp);
        ss=sum(ss.*temp)./(M*M);
        ss=reshape(ss,sizey/M);
        
        % Eigen-decomposition
        [v,d]=eig(cu);
        l_arr(sub,:)=diag(d)';
        
        % rearrange for output
        ssarr{sub}=ss;
        temp=0;
        d=diag(d);
        cu_arr{sub}=cu;
    end    
    function [g_all, vv_all]=vifsub_est_M(org,dist, subbands, M); 
    
    % uses convolution for determining the parameters of the distortion channel
    % Called by vifvec.m
    
    tol = 1e-15; % tolernace for zero variance. Variance below this is set to zero, and zero is set to this value to avoid numerical issues.
    
    
    for i=1:length(subbands)
        sub=subbands(i);
        y=org{sub};
        yn=dist{sub};
    
        % compute the size of the window used in the distortion channel estimation
        lev=ceil((sub-1)/6);
        winsize=2^lev+1; offset=(winsize-1)/2;
        win = ones(winsize);
        
        % force subband size to be multiple of M
        newsize=floor(size(y)./M)*M;
        y=y(1:newsize(1),1:newsize(2));
        yn=yn(1:newsize(1),1:newsize(2));
    
        % Correlation with downsampling. This is faster than downsampling after
        % computing full correlation.
        winstep=[M M];
        winstart=[1 1].*floor(M/2)+1;
        winstop=size(y)-ceil(M/2)+1;
        
        % mean
        mean_x = corrDn(y,win/sum(win(:)),'reflect1',winstep, winstart,winstop);
        mean_y = corrDn(yn,win/sum(win(:)),'reflect1',winstep, winstart,winstop);
        % cov
        cov_xy = corrDn(y.*yn, win, 'reflect1',winstep, winstart,winstop) - sum(win(:)).*mean_x.*mean_y;
        % var
        ss_x = corrDn(y.^2,win, 'reflect1',winstep, winstart,winstop) - sum(win(:)).*mean_x.^2;
        ss_y = corrDn(yn.^2,win, 'reflect1',winstep, winstart,winstop) - sum(win(:)).*mean_y.^2;
    
        
        % get rid of numerical problems, very small negative numbers, or very
        % small positive numbers, or other theoretical impossibilities.
        ss_x(ss_x<0)=0;
        ss_y(ss_y<0)=0;
       
        % Regression 
        g = cov_xy./(ss_x+tol);
        
        % Variance of error in regression
        vv = (ss_y - g.*cov_xy)/(sum(win(:)));
        
        % get rid of numerical problems, very small negative numbers, or very
        % small positive numbers, or other theoretical impossibilities.
        g (ss_x < tol) = 0;
        vv (ss_x < tol) = ss_y (ss_x < tol);
        ss_x(ss_x<tol)=0;
        
        g (ss_y < tol) = 0;
        vv (ss_y < tol) = 0;
        
        % constrain g to be non-negative. 
        vv(g<0)=ss_y(g<0);
        g(g<0)=0;
        
        % take care of numerical errors, vv could be very small negative
        vv( vv <= tol) = tol;
        
        g_all{i}=g;
        vv_all{i}=vv;
        
    end
    function vif=vifvec(imorg,imdist);
    
    
    % -----------COPYRIGHT NOTICE STARTS WITH THIS LINE------------
    % Copyright (c) 2005 The University of Texas at Austin
    % All rights reserved.
    % 
    % Permission is hereby granted, without written agreement and without license or royalty fees, to use, copy, 
    % modify, and distribute this code (the source files) and its documentation for
    % any purpose, provided that the copyright notice in its entirety appear in all copies of this code, and the 
    % original source of this code, Laboratory for Image and Video Engineering (LIVE, http://live.ece.utexas.edu)
    % at the University of Texas at Austin (UT Austin, 
    % http://www.utexas.edu), is acknowledged in any publication that reports research using this code. The research
    % is to be cited in the bibliography as:
    % 
    % H. R. Sheikh and A. C. Bovik, "Image Information and Visual Quality", IEEE Transactions on 
    % Image Processing, (to appear).
    % 
    % IN NO EVENT SHALL THE UNIVERSITY OF TEXAS AT AUSTIN BE LIABLE TO ANY PARTY FOR DIRECT, INDIRECT, SPECIAL, INCIDENTAL, 
    % OR CONSEQUENTIAL DAMAGES ARISING OUT OF THE USE OF THIS DATABASE AND ITS DOCUMENTATION, EVEN IF THE UNIVERSITY OF TEXAS
    % AT AUSTIN HAS BEEN ADVISED OF THE POSSIBILITY OF SUCH DAMAGE.
    % 
    % THE UNIVERSITY OF TEXAS AT AUSTIN SPECIFICALLY DISCLAIMS ANY WARRANTIES, INCLUDING, BUT NOT LIMITED TO, THE IMPLIED 
    % WARRANTIES OF MERCHANTABILITY AND FITNESS FOR A PARTICULAR PURPOSE. THE DATABASE PROVIDED HEREUNDER IS ON AN "AS IS" BASIS,
    % AND THE UNIVERSITY OF TEXAS AT AUSTIN HAS NO OBLIGATION TO PROVIDE MAINTENANCE, SUPPORT, UPDATES, ENHANCEMENTS, OR MODIFICATIONS.
    % 
    % -----------COPYRIGHT NOTICE ENDS WITH THIS LINE------------
    %
    %This is an implementation of the algorithm for calculating the
    %Visual Information Fidelity (VIF) measure (may also be known as the Sheikh
    %-Bovik Index) between two images. Please refer
    %to the following paper:
    %
    %H. R. Sheikh and A. C. Bovik "Image Information and Visual Quality"
    %IEEE Transactios on Image Processing, in publication, May 2005.
    %Download manuscript draft from http://live.ece.utexas.edu in the
    %Publications link
    %
    %This implementation is slightly differnet from the one used to report
    %results in the paper above. The modification have to do with using more
    %subands than those used in the paper, better handling of image boundaries,
    %and a window that automatically resizes itself based on the scale.
    %
    %Report bugfixes and comments to hamid.sheikh@ieee.org
    %
    %----------------------------------------------------------------------
    % Prerequisites: The Steerable Pyramid toolbox. Available at
    % http://www.cns.nyu.edu/~lcv/software.html
    %
    %Input : (1) img1: The reference image
    %        (2) img2: The distorted image (order is important)
    %
    %Output: (1) VIF te visual information fidelity measure between the two images
    
    %Default Usage:
    %   Given 2 test images img1 and img2, whose dynamic range is 0-255
    %
    %   vif = vifvec(img1, img2);
    %
    %Advanced Usage:
    %   Users may want to modify the parameters in the code. 
    %   (1) Modify sigma_nsq to find tune for your image dataset.
    %   (2) MxM is the block size that denotes the size of a vector used in the
    %   GSM model.
    %   (3) subbands included in the computation
    %========================================================================
    
    M=3;
    subbands=[4 7 10 13 16 19 22 25];
    sigma_nsq=0.4;
    
    % Do wavelet decomposition. This requires the Steerable Pyramid. You can
    % use your own wavelet as long as the cell arrays org and dist contain
    % corresponding subbands from the reference and the distorted images
    % respectively.
    [pyr,pind] = buildSpyr(imorg, 4, 'sp5Filters', 'reflect1'); % compute transform
    org=ind2wtree(pyr,pind); % convert to cell array
    [pyr,pind] = buildSpyr(imdist, 4, 'sp5Filters', 'reflect1');
    dist=ind2wtree(pyr,pind);
    
    % calculate the parameters of the distortion channel
    [g_all,vv_all]=vifsub_est_M(org,dist,subbands,M);
    
    % calculate the parameters of the reference image
    [ssarr, larr, cuarr]=refparams_vecgsm(org,subbands,M);
    
    % reorder subbands. This is needed since the outputs of the above functions
    % are not in the same order
    vvtemp=cell(1,max(subbands));
    ggtemp=vvtemp;
    for(kk=1:length(subbands))
        vvtemp{subbands(kk)}=vv_all{kk};
        ggtemp{subbands(kk)}=g_all{kk};
    end
    
    
    % compute reference and distorted image information from each subband
    for i=1:length(subbands)
        sub=subbands(i);
        g=ggtemp{sub};
        vv=vvtemp{sub};
        ss=ssarr{sub};
        lambda = larr(sub,:);, 
        cu=cuarr{sub};
    
        % how many eigenvalues to sum over. default is all.
        neigvals=length(lambda);
        
        % compute the size of the window used in the distortion channel estimation, and use it to calculate the offset from subband borders
        % we do this to avoid all coefficients that may suffer from boundary
        % effects
        lev=ceil((sub-1)/6);
        winsize=2^lev+1; offset=(winsize-1)/2;
        offset=ceil(offset/M);
        
        
        % select only valid portion of the output.
        g=g(offset+1:end-offset,offset+1:end-offset);
        vv=vv(offset+1:end-offset,offset+1:end-offset);
        ss=ss(offset+1:end-offset,offset+1:end-offset);
        
        
        %VIF
        temp1=0; temp2=0;
        for j=1:length(lambda)
            temp1=temp1+sum(sum((log2(1+g.*g.*ss.*lambda(j)./(vv+sigma_nsq))))); % distorted image information for the i'th subband
            temp2=temp2+sum(sum((log2(1+ss.*lambda(j)./(sigma_nsq))))); % reference image information
        end
        num(i)=temp1;
        den(i)=temp2;
        
    end
    
    % compuate VIF
    vif=sum(num)./sum(den);
    

    主程序

    clc,clear all
    close all
    img_o1=imread('xxx.jpg');
    img1=double(im2gray(img_o1));
    img1=img1(1:4032,1:3024);
    img_o2=imread('xxx.jpg');
    img2=double(im2gray(img_o2));
    vif= vifvec(img1, img2);

    展开全文
  • rpg-VIF:RPG分类信息VIF

    2021-02-18 07:13:17
    rpg-VIF 角色扮演类VIF档案 该项目的来源和想法: git的: 创建gitignore 删除node_modules 新生代证书| 初始化npm和Git npm: 初始化和配置(简单) 笔记 : 简便易用: 查尔·蒙特村调查问卷(Pouvoir et ...
  • VIF系数

    2021-09-19 20:19:27
    这里简单介绍一下VIF系数的作用,具体的我也未了解。 问题:假如,我们要用x1,x2x_1,x_2x1​,x2​去拟合函数yyy。同时,x1,x2x_1,x_2x1​,x2​之间相关性很强,如x1=2x2x_1=2x_2x1​=2x2​。 假如得到的拟合...

    这里简单介绍一下VIF系数的作用,具体的我也未了解。

    问题:假如,我们要用 x 1 , x 2 x_1,x_2 x1x2去拟合函数 y y y。同时, x 1 , x 2 x_1,x_2 x1x2之间相关性很强,如 x 1 = 2 x 2 x_1=2x_2 x1=2x2
    假如得到的拟合函数为: y = 3 x 1 − x 2 y=3x_1-x_2 y=3x1x2
    从拟合的结果看来,自变量 x 2 x_2 x2和因变量 y y y之间是负相关关系;
    可实际上如果换算,有 y = 5 x 2 y=5x_2 y=5x2,是正相关关系;
    这说明变量 x 2 x_2 x2与其余自变量之间存在严重的多重共线性。

    通过VIF系数,可以检查出变量与其他变量之间的线性关系,如果某变量的VIF系数越大,意味着它与其他特征的线性相关性越大,可以进行丢弃;

    关键代码:

    import pandas as pd
    from statsmodels.stats.outliers_influence import variance_inflation_factor
    
    data_df = pd.read_csv(...)
    data_vif = pd.DataFrame(index=data_df.columns)
    data_vif['vif'] = [variance_inflation_factor(data_df.values, i) for i in range(data_df.shape[1])]
    

    一般而言,当变量的VIF系数大于10时,说明其与其它变量存在严重的多重共线性,就要考虑进行丢弃了。
    当自变量的容忍度大于0.1,方差膨胀系数小于10的范围是可以接受的,表明自变量之间没有共线性问题存在 。

    简单解释VIF指数以及代码演示用法:
    用 VIF 方法消除多维数据中的多重共线性
    利用statsmodels计算VIF和相关系数消除共线性

    用数学理论来解释的相关链接:
    如何理解方差膨胀因子(Variance Inflation Factor,VIF)?

    展开全文
  • vif图像质量评价

    2011-11-24 17:20:02
    一种很好的质量评价matlab程序,只适合用于灰度图像,vif图像质量评价
  • 多元线性回归是我们在数据分析中经常用到的一个方法,很多人在遇到多维数据时基本上无脑使用该方法,而在用多元线性回归之后所得到的结果又并不总是完美的,其问题实际上并不出在...今天我们就讲解一下如何用VIF方...

    多元线性回归是我们在数据分析中经常用到的一个方法,很多人在遇到多维数据时基本上无脑使用该方法,而在用多元线性回归之后所得到的结果又并不总是完美的,其问题实际上并不出在方法上,而是出在数据上。当数据涉及的维度过多时,我们就很难保证维度之间互不相关,而这些维度又都对结果产生一定影响,当一组维度或者变量之间有较强的相关性时,就认为是一种违背多元线性回归模型基本假设的情形。今天我们就讲解一下如何用VIF方法消除多维数据中多重共线性的问题。

    首先介绍一下多重共线性。

    多元回归模型有一个基本假设,就是要求设计矩阵X的秩rank(X)=p+1,其中p是维度数,即要求X中的列向量之间线性无关。如果存在不全为零的p+1个数c0、c1、c2、...、cp,使得c0 + c1xi1 + c2xi2 + ... + cpxip = 0,i=1, 2, 3, ..., n,则自变量x1、x2、...、xp之间存在多重共线性(multi-collinearity),因为实际问题中,完全多重共线性不太常见,所以上式中的等号经常用约等号。多重共线性到底会带来什么问题呢,笔者下面就用一个实际例子来告诉大家。

    这个例子来自1994年统计摘要,是一个中国民航客运量的回归模型,统计了1978至1993年的各年数据。该模型以民航客运量为因变量y,以国民收入、消费额、民航航线里程、来华旅游入境人数作为影响客运量的主要因素,其中y的单位是万人,x1表示国民收入(亿元),x2表示消费额(亿元),x3表示铁路客运量(万人),x4表示民航航线里程(万公里),x5表示来华旅游入境人数(万人)。该数据集如图1所示,一共16行、7列(包括前面的year,虽然这一列用不到)。

    图1. 数据集截图

    我们用该数据集来做一个多元线性回归模型,主要使用statsmodels,代码如下。首先是导入各种库。import numpy as np

    import pandas as pd

    import statsmodels.api as sm

    from statsmodels.stats.outliers_influence import variance_inflation_factor

    接下来是读取数据,并生成自变量X和因变量y。file = r'C:\Users\Desktop\data.xlsx'

    data = pd.read_excel(file) #读取数据

    y = data['y'] #因变量数据

    X = data.loc[:, 'x1':] #自变量数据

    然后是生成多元回归模型,并输出结果,结果如图2所示。X = sm.add_constant(X) #加上一列常数1,这是回归模型中的常数项

    reg = sm.OLS(y, X) #生成回归模型

    model = reg.fit() #拟合数据

    model.summary() #生成结果

    图2. 原数据的多元回归模型结果

    图2中的参数较多,如果大家对这个结果不太明白,可以参考笔者之前给公众号写的文章《详解用statsmodels进行回归分析》。从图2中可以得出,我们的模型的回归方程为y = 450.9 + 0.354x1 - 0.561x2 - 0.0073x3 + 21.578x4 + 0.435x5,看到这里,估计很多人就看出一些问题了。这个回归模型从表面上看没有什么太大的问题,但是仔细分析一下其实际意义,就能看出一些问题,x2是消费额,从经济学角度分析,消费额与民航客运量之间的关系应该是正相关的,也就是x2前面的系数应该是正的,但这里却是负值,问题出在哪?这就是变量之间的多重共线性造成的。

    多重共线性的影响就在于此,我们的模型结果中每一个参数都能通过检验,而且模型整体的线性显著性也很好(比如该例中R-squared值为0.998,效果非常好),但其部分参数的实际意义却和我们的常识是相违背的,而这种情况我们往往很难察觉,很多人看到自己的模型在数学角度上没有任何问题,就直接拿去用了,结果总是得到错误的结论。

    那么如何来诊断多重共线性呢?笔者今天就介绍一下VIF方法。VIF全称是Variance Inflation Factor,即方差扩大因子,我们对自变量X作中心标准化,则X变为Xs,然后可以得到Xs’ Xs = (rij),这个就是自变量的相关阵。如图3所示,式(1)中C的主对角线元素VIFj=cjj,就是自变量xj的方差扩大因子,式(2)中的Rj^2是自变量xj对其余p-1个自变量的复决定系数,式(2)也可以作为方差扩大因子VIFj的定义,可知VIFj是大于等于1的。

    图3. VIF方法部分公式

    Rj^2度量了自变量xj与其余p-1个自变量的线性相关程度,这种相关程度越强,说明自变量之间的多重共线性就越严重,Rj^2越接近1,VIFj就越大。反之,xj与其余p-1个自变量之间的线性相关程度越弱,多重共线性就越弱,Rj^2就越接近于0,VIFj就约接近于1。由此可见,VIFj的大小反映了自变量之间是否存在多重共线性,可由它来度量多重共线性的严重程度,那么VIFj多大才算是有严重的多重共线性呢?根据统计学中的使用经验,当VIFj大于等于10的时候,就说明自变量xj与其余自变量之间存在严重的多重共线性,且这种多重共线性会过度地影响最小二乘估计值。

    在了解了VIF的概念之后,我们就用代码来展示一下如何诊断并消除多重共线性。这里笔者依然使用前面的数据,但加入了VIF检测,同时给出消除多重共线性后的结果,全部代码如下。file = r'C:\Users\Desktop\data.xlsx'

    data = pd.read_excel(file)

    y = data['y']

    X = data.loc[:, 'x1':]

    X = sm.add_constant(X)

    def process(data, col):

    data = data.loc[:, col] #读取对应列标数据

    vif = [variance_inflation_factor(data.values, i) for i in range(data.shape[1])][1:]

    if max(vif) >= 10:

    index = np.argmax(vif)+1 #得到最大值的标号

    del col[index] #删除vif值最大的一项

    return process(data, col) #递归过程

    else:

    vif = [variance_inflation_factor(data.values, i) for i in range(data.shape[1])][1:]

    return col, vif

    cols = ['const', 'x1', 'x2', 'x3', 'x4', 'x5']

    cols, vif = process(X, cols)

    reg = sm.OLS(y, X[cols])

    model = reg.fit()

    model.summary()

    这里我们从process这个函数开始讲起,process需要两个参数,一个是data,就是要输入的数据,另一个是col,就是数据的columns(即数据的列标题),我们这里默认使用的数据集是pandas.DataFrame格式的,所以数据都是有columns的。在process函数中,data = data.loc[:, col]就是读取只含有col列标的那些数据, vif = [variance_inflation_factor(data.values, i) for i in range(data.shape[1])][1:]这行代码就是计算vif的过程,variance_inflation_factor函数需要输入两个参数,分别是数据和每列数据的标号,这个标号也是从0开始的。而最终我们取得的vif结果是去掉第一项的,因为第一项对应数据集中const那一列,这一列因为都是1,所以在vif结果中要去掉,但在计算时要保留。而得到vif之后,我们要找出vif中数据最大的一项,判断其是否大于等于10。如果是,就找到其对应的标号,利用np.argmax即可,然后删除col中这一项,再把所得的结果带入到process函数中,形成递归;如果不是,则直接返回col和vif这两个结果。

    最终我们得到的cols是['const', 'x3', 'x4', 'x5'],const就是前面X = sm.add_constant(X)中加入的常数项一列,这个const列标是自动添加的,我们在这里仍沿用这个叫法,这列数据在VIF方法中只参与计算,但其值不用于比较大小。我们可以看到这里的结果去掉了x1和x2这两列数据,消除多重共线性最好的方式就是把那些造成多重共线性的维度(自变量)直接去掉,vif是[1.9836946236748652, 6.6499090855830225, 8.513876170172715],vif中所有数值都在10以内,说明目前已经消除了多重共线性。

    然后用剩下的这些数据进行建模,得到多元回归模型,其结果如图4所示。该模型为y = 591.9 - 0.0104x3 + 26.4358x4 + 0.3174x5,该模型无论从数学上还是经济意义上,都能合理有效地进行解释。

    图4. 用VIF法处理后的模型结果

    判断数据是否具有多重共线性实际上有多种方法,比如特征根判定法、直接判断法等,本文主要讲解如何用VIF法来诊断多重共线性,有兴趣的读者也可以把此方法和其他方法进行一下对比学习。

    展开全文
  • vif_ifc_视觉保真度VIF_IFC信息保真度_VIF_IFC_fidelity.zip
  • VIF检验相关性

    千次阅读 2021-09-19 21:36:53
    VIF可以用来度量多重共线性问题,VIFj=11−Rj2\quad \mathrm{VIF}_{j}=\frac{1}{1-R_{j}^{2}}VIFj​=1−Rj2​1​ 式子中,Rj2R_{j}^{2}Rj2​是第jjj个变量在所有变量上回归时的确定系数。 如果VIF过大(比如大于5或...
  • vif_ifc_视觉保真度VIF_IFC信息保真度_VIF_IFC_fidelity_源码.zip
  • 要选择不同的语言,请从以下选项中选择一种命令: mex -setup C++ mex -setup FORTRAN matlab | 计算常用有参考图像质量评价指标 PSNR / SSIM / MSSSIM / IFC / VIF - 代码先锋网matlab | 计算常用有参考图像质量...
  • 然而很多时候,被筛选的特征在模型上线的...介绍一种VIF(方差膨胀检验)方法,来对特征之间的线性相关关系进行检验,从而选取到独立性更好的特征,增强模型的解释能力。1.可决系数R^21.1什么是可决系数可决系数,亦称...
  • 软件在最开始设计的时候,选择的是一种多功能集成于一身的设计模式(不是科班出身的就这结果),所以请站长们都选择性的启动软件功能就可以了。需要什么功能配置什么功能就可以了。...MYIIS-VIF软件的主要特色
  • VIF-Net:RGB和红外图像融合的无监督框架

    千次阅读 热门讨论 2020-02-28 20:05:46
    VIF-Net:红外和可见图像融合的无监督框架
  • 利用Python进行VIF检验

    千次阅读 2020-12-18 23:45:58
    由于没有VIF临界值表,我们只能使用经验法则:若VIF>5,则存在严重多重共线性。也有人建议用VIF>10作为存在严重多重共线性的标准,特别在解释变量多的情形应当如此。 利用Python进行VIF检验也很简单, 计算案例数据...
  • [4, 3, 4, 5, 4] ck = np.column_stack([a, b, c, d]) cc = sp.corrcoef(ck, rowvar=False) VIF = np.linalg.inv(cc) VIF.diagonal() from statsmodels.stats.outliers_influence import variance_inflation_factor ...
  • 文章目录多重共线性检验-方差膨胀系数(VIF)1、原理:2、多重共线性:3、检验方法:方差膨胀系数(VIF):相关性检验:4、代码测试4.1 导入相关库4.2准备数据4.3计算膨胀因子4.4计算相关系数4.5分割测试集4.6模型...
  • 资源分类:Python库 所属语言:Python 资源全名:os_vif-2.0.0.tar.gz 资源来源:官方 安装方法:https://lanzao.blog.csdn.net/article/details/101784059
  • 多重共线性VIF

    万次阅读 2020-06-24 15:11:07
    方差膨胀系数(variance inflation factor,VIF) 是衡量多元线性回归模型中复 (多重)共线性严重程度的一种度量。它表示回归系数估计量的方差与假设自变量间不线性相关时方差相比的比值。 多重共线性是指自变量之间...
  • @(posedge vif.clk) 【uvm】

    2021-10-30 12:00:31
    `ifndef MY_DRIVER__SV `define MY_DRIVER__SV ... virtual my_if vif; `uvm_component_utils(my_driver) function new(string name = "my_driver", uvm_component parent = null); super.new(name, pare.
  • VIF,共线相关性理解

    千次阅读 2021-05-12 15:05:44
    VIF(variance inflation factors)VIF =1/(1-R^2) 式中,R^2是以xj为因变量时对其它自变量回归的复测定系数。 VIF越大,该变量与其他的变量的关系越高,多重共线性越严重。如果所有变量最大的VIF超过10,删除...

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 8,121
精华内容 3,248
关键字:

VIF

友情链接: Uart.rar