预测和专业建模 • 非线性回归 • 统计详细信息 • 关于有效的非线性建模的注释
上一个
 • 
下一个
关于有效的非线性建模的注释
我们强烈建议您中心化多项式。
当您具有一个完整的多项式项时，若它的参数具有线性关系，则最好中心化多项式。这样做可以改进需要优化的数值曲面的条件。例如，若您的表达式类似于下式：
a1 + b1x + c1x2
您应将它变换为：
除变换了参数之外，这两个模型是等价的；但是若模型是非线性的，则第二个模型远比第一个模型更容易拟合。
变换参数之后很容易求解。
若迭代次数仍达到最大值，请增加最大迭代次数或放松一个收敛准则。
真的没有一个综合性的优化方法可以解决所有问题。JMP 提供很多选项（如牛顿算法、BFGS 拟牛顿算法、SR1 拟牛顿算法和仅限于数值导数）来扩展“非线性”平台可以解决的问题范围。
若默认设置无法收敛到特殊问题的解，请使用这些设置的各种组合来增加获得收敛的机会。
一些模型对于参数的起始值很敏感。使用新的起始值通常能起到效果。您可以编辑起始值，然后点击重置来查看是否有效。图也可以给您带来帮助，使用滑块可以直观地修改曲线以达到更好的拟合效果。参数刻画器可以提供帮助，但是只适用于小数据集，对于其他数据集来说速度太慢。