public KAverageMethod(STATND statNd, int k, IKFirstPointsSelector KFirstPointsSelector)
{
m_clasters = new Claster[k];
m_k = k;
m_data = statNd.getJaggedArrayOfData();
m_N = m_data.GetLength(0);
double[][] centers = KFirstPointsSelector.GetFirstKPoints(m_data, k);
for (int i = 0; i < k; i++)
{
m_clasters[i] = new Claster(centers[i]);
}
}
public static RegressionResult FindParamsForNDim(STATND stats, int[] Xindexes, int Yindex, double alpha, Chart diagnosticdiagram)
{
#region Подготовка
//размерность иксов
int n = Xindexes.Length;
//собраем все STAT-ы по указанным индексам
List <STAT> XStats = Xindexes.Select(index => stats.GetStat(index)).ToList();
//средние по каждому измерению
double[] AverageArray = XStats.Select(stat => stat.Expectation).ToArray();
//вектор средних
Vector AverageVector = new Vector(AverageArray);
//значения из многомерной выборки, по нужным индексам
List <Vector> XVectorLst = XStats.Select(stat => new Vector(stat.d)).ToList();
//отнимаем среднее от каждой колонки
for (int i = 0; i < n; i++)
{
XVectorLst[i] -= AverageVector[i];
}
//образуем из значений иксов матрицу
Matrix XMatrix = Matrix.Create.JoinVectors(XVectorLst);
//работа с игреком
STAT yStat = stats.GetStat(Yindex);
double YExpectation = yStat.Expectation;
Vector YVector = new Vector(yStat.d);
Vector Y0 = YVector - YExpectation;
#endregion
//мое обозначение
Matrix A = XMatrix;//= XMatrix.MultiplyOnVectorRow(AverageVector); // не множить а минусовать
Matrix ATranspose = A.Transpose();
//ищем an без а0
var res = ((ATranspose * A).Inverse() * ATranspose).MultiplyOnVectorColumn(Y0);
//ищем свободный член а0
double a0 = YExpectation;
for (int i = 0; i < n; i++)
{
a0 -= res[i] * AverageVector[i];
}
//расширенный список результатов с а0
List <double> extendedResultLst = res.GetCloneOfData().ToList();
extendedResultLst.Insert(0, a0);
Vector ExtendedparamsVector = Vector.Create.New(extendedResultLst.ToArray());
//новый метод
FillDiagnosticDiagram(diagnosticdiagram, Xindexes.Select(index => stats.GetStat(index)).ToList(), stats.GetStat(Yindex), a0, res.GetCloneOfData());
return(GetConfidenceIntervalsOnRegressionParametrs(alpha, n, XStats, yStat, YVector, ExtendedparamsVector));
}
private static RegressionResult GetConfidenceIntervalsOnRegressionParametrs(double alpha, int n, List <STAT> XStats, STAT yStat, Vector YVector, Vector ExtendedparamsVector)
{
//это величина доьавлением/отниманием которой получаются доверительные интервалы на параметры регресии
double[] confidenceValues = new double[n + 1];
//берем исходные иксы
List <Vector> XInputVectors = XStats.Select(stat => new Vector(stat.d)).ToList();
//добавляю игрекв первую колонку
XInputVectors.Insert(0, YVector);
Matrix X = Matrix.Create.JoinVectors(XInputVectors);
//ищем квантиль
int N = XStats[0].d.Length * n;
int Nu = N - n; //по формуле N-n
double kv = Kvantili.Student(alpha, Nu);
//коэф детерминации
XStats.Add(yStat); //добавляем y к иксам, чтобы получить общую матрицу
STATND STATNDForR = new STATND(XStats.ToArray()); //заносим полученную матрицу в многомерный анализ
double MultipleR = STATNDForR.GetMultipleR(n);
double DeterminationCoef = MultipleR * MultipleR;
//ищем остаточную дисперсию и сигму
double S2 = (double)(N - 1) / (N - n) * yStat.Dispersia * (1 - DeterminationCoef);
double sigma = Math.Sqrt(S2);
//значимость параметров
string[] paramsState = new string[7];
double KvForParams = Kvantili.Student(alpha, N - n);
//ищем сkk
Matrix C = (X.Transpose() * X).Inverse();
for (int i = 0; i < n + 1; i++)
{
//дл интервальных оценок
double Ckk = C[i, i];
confidenceValues[i] = kv * sigma * Math.Sqrt(Ckk);
//проверка параметров регрессии на значимость
paramsState[i] = Math.Abs(ExtendedparamsVector[i] / (sigma * Math.Sqrt(Ckk))) <= KvForParams? "не значущий": "Значущий";
}
//переносим из массива в вектор
Vector ConfidenceVector = new Vector(confidenceValues);
//доверительные границы
Vector topLimits = ExtendedparamsVector + ConfidenceVector;
Vector bottomLimits = ExtendedparamsVector - ConfidenceVector;
//проверка значимости регрессии
string state = "";
double f = (double)(N - n - 1) / n * DeterminationCoef * DeterminationCoef / (1 - DeterminationCoef * DeterminationCoef);
int Nu1 = n;
int Nu2 = N - n - 1;
Func <double, double> r = v => Math.Round(v, 4);
Action <string> Add2Log = s => state += s + Environment.NewLine;
Add2Log("f = " + r(f));
Add2Log("kv = " + r(kv));
if (f > kv)
{
Add2Log("f > kv");
Add2Log("Регресійна модель Значуща");
}
else
{
Add2Log("f <= kv");
Add2Log("Регресійна модель НЕ Значуща");
}
//Интервалы дисперсии
double nominator = S2 * (N - n);
double TopDisp = nominator / Kvantili.Hi2((2d - alpha) / 2, N - n);
double BottomDisp = nominator / Kvantili.Hi2(-alpha / 2d, N - n);
string disprsionIntervals = String.Format("{0}<={1}<={2}", r(BottomDisp), r(S2), r(TopDisp));
RegressionResult result = new RegressionResult()
{
BotoomConfidenceLimits = bottomLimits,
RegressionParams = ExtendedparamsVector,
TopConfidenceLimits = topLimits,
R = DeterminationCoef,
state = state,
ParamsState = paramsState,
DispersionIntervals = disprsionIntervals
};
return(result);
}
//равенство двух многомерных средних в случае равных ДК
public static string ComparingTwoNdimAverage(STATND xStat, STATND yStat, double alpha)
{
//проверки
if (!xStat.CheckingLengthOfStats())
{
throw new ChekingLengthOfStatsException("xStat");
}
if (!yStat.CheckingLengthOfStats())
{
throw new ChekingLengthOfStatsException("yStat");
}
int nLen1 = xStat.N;
int nLen2 = yStat.N;
if (nLen1 != nLen2)
{
throw new DIfferentDimentionsLengthException();
}
//конец проверок
//вынос нужных переменных
int N1 = xStat.GetStat(0).d.Length; //длинна всех признаков по иксу
int N2 = yStat.GetStat(0).d.Length; //длинна всех признаков по y
int n = nLen1; //количество признаков (должно быть одинаковым для x и y)
double[][] S0 = ArrayMatrix.GetJaggedArray(n, n);
double[][] S1 = ArrayMatrix.GetJaggedArray(n, n);
//лямбды для удобного получения x и y
Func <int, int, double> x = (NumberOfDim, NumberOfElementInDim) => xStat.GetStat(NumberOfDim).d[NumberOfElementInDim];
Func <int, int, double> y = (NumberOfDim, NumberOfElementInDim) => yStat.GetStat(NumberOfDim).d[NumberOfElementInDim];
//лямбды для получения суммы
Func <int, double> xSum = NumberOfDim => xStat.GetStat(NumberOfDim).d.Sum();
Func <int, double> ySum = NumberOfDim => yStat.GetStat(NumberOfDim).d.Sum();
for (int i = 0; i < n; i++)
{
for (int j = 0; j < n; j++)
{
double CommonDenominator = N1 + N2 - 2;
double S0Temp = 0;
double S1Temp = 0;
//по формулам
for (int l = 0; l < N1; l++)
{
S0Temp += x(i, l) * x(j, l);
}
for (int l = 0; l < N2; l++)
{
S0Temp += y(i, l) * y(j, l);
}
S1Temp = S0Temp; //до этого места формулы одинаковые
//подсчет частей, которые отличаются
S0Temp -= ((xSum(i) + ySum(i)) * (xSum(j) + ySum(j))) / (N1 + N2);
S1Temp -= (xSum(i) * xSum(j)) / N1;
S1Temp -= (ySum(i) * ySum(j)) / N2;
//перенос значений в матрицу
S0[i][j] = S0Temp / CommonDenominator;
S1[i][j] = S1Temp / CommonDenominator;
}
}
//перенос значений в сложный тип - матрицу(для нахождения определителей)
Matrix S0Matrix = new Matrix(S0);
Matrix S1Matrix = new Matrix(S1);
//подсчет статистики
double V = N1 + N2 - 2 - n / 2d;
V *= Math.Log(Math.Abs(S1Matrix.Determinant() / S0Matrix.Determinant()));
//для удобства
string resultStr = "";
Func <double, double> r = val => Math.Round(val, 4);
Action <string> mess2log = str => resultStr += str + Environment.NewLine;
//делаем выводы
double kv = Kvantili.Hi2(alpha, n);
mess2log("V = " + r(V));
mess2log("kv = " + r(kv));
if (V <= kv)
{
//гипотезу принято;//средние совпадают
mess2log("V<kv");
mess2log("Гіпотезу прийнято!");
mess2log("Середні співпадають!");
}
else
{
//гипотезу не принято
mess2log("V>kv");
mess2log("Гіпотезу НЕ прийнято!");
mess2log("Середні НЕ співпадають!");
}
return(resultStr);
}