')
}
function initGt() {
var handler = function (captchaObj) {
captchaObj.appendTo('#captcha');
captchaObj.onReady(function () {
$("#wait").hide();
}).onSuccess(function(){
$('.getcheckcode').removeClass('dis');
$('.getcheckcode').trigger('click');
});
window.captchaObj = captchaObj;
};
$('#captcha').show();
$.ajax({
url: "/login/gtstart?t=" + (new Date()).getTime(), // 加隨機數(shù)防止緩存
type: "get",
dataType: "json",
success: function (data) {
$('#text').hide();
$('#wait').show();
// 調(diào)用 initGeetest 進行初始化
// 參數(shù)1：配置參數(shù)
// 參數(shù)2：回調(diào)，回調(diào)的第一個參數(shù)驗證碼對象，之后可以使用它調(diào)用相應(yīng)的接口
initGeetest({
// 以下 4 個配置參數(shù)為必須，不能缺少
gt: data.gt,
challenge: data.challenge,
offline: !data.success, // 表示用戶后臺檢測極驗服務(wù)器是否宕機
new_captcha: data.new_captcha, // 用于宕機時表示是新驗證碼的宕機
product: "float", // 產(chǎn)品形式，包括：float，popup
width: "280px",
https: true
// 更多配置參數(shù)說明請參見：http://docs.geetest.com/install/client/web-front/
}, handler);
}
});
}
function codeCutdown() {
if(_wait == 0){ //倒計時完成
$(".getcheckcode").removeClass('dis').html("重新獲取");
}else{
$(".getcheckcode").addClass('dis').html("重新獲取("+_wait+"s)");
_wait--;
setTimeout(function () {
codeCutdown();
},1000);
}
}
function inputValidate(ele,telInput) {
var oInput = ele;
var inputVal = oInput.val();
var oType = ele.attr('data-type');
var oEtag = $('#etag').val();
var oErr = oInput.closest('.form_box').next('.err_txt');
var empTxt = '請輸入'+oInput.attr('placeholder')+'！';
var errTxt = '請輸入正確的'+oInput.attr('placeholder')+'！';
var pattern;
if(inputVal==""){
if(!telInput){
errFun(oErr,empTxt);
}
return false;
}else {
switch (oType){
case 'login_mobile':
pattern = /^1[3456789]\d{9}$/;
if(inputVal.length==11) {
$.ajax({
url: '/login/checkmobile',
type: "post",
dataType: "json",
data: {
mobile: inputVal,
etag: oEtag,
page_ur: window.location.href,
page_referer: document.referrer
},
success: function (data) {
}
});
}
break;
case 'login_yzm':
pattern = /^\d{6}$/;
break;
}
if(oType=='login_mobile'){
}
if(!!validateFun(pattern,inputVal)){
errFun(oErr,'')
if(telInput){
$('.getcheckcode').removeClass('dis');
}
}else {
if(!telInput) {
errFun(oErr, errTxt);
}else {
$('.getcheckcode').addClass('dis');
}
return false;
}
}
return true;
}
function errFun(obj,msg) {
obj.html(msg);
if(msg==''){
$('.login_submit').removeClass('dis');
}else {
$('.login_submit').addClass('dis');
}
}
function validateFun(pat,val) {
return pat.test(val);
}
首頁 > 行業(yè)圖譜 >
- SPSS教程：做多重線性回歸，方差不齊怎么辦
2017-07-12-
SPSS教程：做多重線性回歸，方差不齊怎么辦
今天我們就來繼續(xù)討論一下，如果殘差不滿足方差齊性時，應(yīng)該如何解決？
一、殘差方差齊性判斷
1. 殘差方差齊性
回顧一下前面介紹過的殘差方差齊性，即 ...
- R語言-簡單線性回歸圖-方法
- 2017-07-07
-
R語言-簡單線性回歸圖-方法
目標(biāo)：利用R語言統(tǒng)計描繪50組實驗對比結(jié)果
第一步：導(dǎo)入.csv文件
X <- read.table(\"D:abc11.csv\",header = TRUE, sep = \",\")
第二步：繪 ...
- R語言線性回歸
- 2017-06-13
-
R語言線性回歸
回歸分析是一種應(yīng)用非常廣泛的統(tǒng)計工具來建立兩個變量之間的關(guān)系模型。其中一個變量被稱為預(yù)測變量，其值是通過實驗收集的。另一變量稱為響應(yīng)變量，其值是從預(yù)測變量而得。
線性回歸這兩個變 ...
- R語言-回歸之簡單線性回歸
- 2017-05-31
-
R語言-回歸之簡單線性回歸
8.1 回歸的多面性
回歸是一個令人困惑的詞，因為它有許多特殊變種（見表8-1）。對于回歸模型的擬合， R提供的強大而豐富的功能和選項也同樣令人困惑。例如， 2005年Vito Ricc ...
- R語言-有交互項的多元線性回歸
- 2017-05-31
-
R語言-有交互項的多元線性回歸
許多很有趣的研究都會涉及交互項的預(yù)測變量。以mtcars數(shù)據(jù)框中的汽車數(shù)據(jù)為例，若你對汽車重量和馬力感興趣，可以把它們作為預(yù)測變量，并包含交互項來擬合回歸模型，參見代碼清單 ...
- SPSS分析技術(shù)：多重線性回歸模型；極端值與多重共線性的識別與處理
- 2017-05-28
-
SPSS分析技術(shù)：多重線性回歸模型；極端值與多重共線性的識別與處理
如果擬合質(zhì)量不好，可能存在的問題主要有以下兩個方面：
極端值（強點）的影響。我們都知道，在線性回歸分析中，自變量回歸系數(shù)的確定主 ...
- SPSS分析技術(shù)：多重線性回歸模型；極端值與多重共線性的識別與處理
- 2017-05-10
-
SPSS分析技術(shù)：多重線性回歸模型；極端值與多重共線性的識別與處理
如果擬合質(zhì)量不好，可能存在的問題主要有以下兩個方面：
極端值（強點）的影響。我們都知道，在線性回歸分析中，自變量回歸系數(shù)的確定主要 ...
- 使用Python進行線性回歸
- 2017-05-09
-
使用Python進行線性回歸
線性回歸是最簡單同時也是最常用的一個統(tǒng)計模型。線性回歸具有結(jié)果易于理解，計算量小等優(yōu)點。如果一個簡單的線性回歸就能取得非常不錯的預(yù)測效果，那么就沒有必要采用復(fù)雜精深的模型了 ...
- 機器學(xué)習(xí):形如拋物線的散點圖在python和R中的非線性回歸擬合方法
- 2017-04-28
-
機器學(xué)習(xí):形如拋物線的散點圖在python和R中的非線性回歸擬合方法
對于樣本數(shù)據(jù)的散點圖形如函數(shù)y=ax2+bx+c的圖像的數(shù)據(jù)， 在python中的擬合過程為：
##最小二乘法
import numpy as np
import scipy as sp
impor ...
- 斯坦福機器學(xué)習(xí)實現(xiàn)與分析之二（線性回歸）
- 2017-03-15
-
斯坦福機器學(xué)習(xí)實現(xiàn)與分析之二（線性回歸）
回歸問題提出
首先需要明確回歸問題的根本目的在于預(yù)測。對于某個問題，一般我們不可能測量出每一種情況（工作量太大），故多是測量一組數(shù)據(jù)，基于此數(shù)據(jù)去預(yù) ...
- 線性回歸與梯度下降算法
- 2017-03-12
-
線性回歸與梯度下降算法
1.1 線性回歸
在統(tǒng)計學(xué)中，線性回歸(Linear Regression)是利用稱為線性回歸方程的最小平方函數(shù)對一個或多個自變量和因變量之間關(guān)系進行建模的一種回歸分析。這種函 ...
- 【機器學(xué)習(xí)經(jīng)典算法源碼分析系列】-- 線性回歸
- 2017-03-11
-
【機器學(xué)習(xí)經(jīng)典算法源碼分析系列】-- 線性回歸
一、單變量線性回歸：
1.數(shù)據(jù)集可視化
2.求解模型參數(shù)
對于線性回歸模型，有兩種方法可以求解模型參數(shù)。
1） 梯度下降法
將代價函數(shù)代入展開：
M ...
- SPSS統(tǒng)計分析案例:一元線性回歸
- 2017-03-05
-
SPSS統(tǒng)計分析案例:一元線性回歸
微信號后臺有非常之多的關(guān)于回歸分析的留言，作為最常見的統(tǒng)計分析方法，在工作生活中的應(yīng)用需求量巨大，這兩天已經(jīng)為大家選好了案例數(shù)據(jù)，先從一元線性回歸分析開始。
一元 ...
- R語言做簡單的一元線性回歸
- 2017-02-15
-
R語言做簡單的一元線性回歸
簡單舉一個例子
某商業(yè)銀行2002年主要業(yè)務(wù)數(shù)據(jù)
如何將這些數(shù)據(jù)添加到R中？
> y<- c(0.9,1.1,4.8,3.2,7.8,2.7,1.6,12.5,1.0,2.6,0.3,4.0,0.8,3.5,10.2,3.0,0.2,0.4,1.0,6.8,11.6,1. ...
- R語言解讀多元線性回歸模型
- 2017-01-31
-
R語言解讀多元線性回歸模型
在許多生活和工作的實際問題中，影響因變量的因素可能不止一個，比如對于知識水平越高的人，收入水平也越高，這樣的一個結(jié)論。這其中可能包括了因為更好的家庭條件，所以有了更好的 ...
- Python數(shù)據(jù)挖掘之線性回歸知識及預(yù)測糖尿病實例
- 2017-01-15
-
Python數(shù)據(jù)挖掘之線性回歸知識及預(yù)測糖尿病實例
今天主要講述的內(nèi)容是關(guān)于一元線性回歸的知識，Python實現(xiàn)，包括以下內(nèi)容：
1.機器學(xué)習(xí)常用數(shù)據(jù)集介紹
...
- stata線性回歸分析_stata線性回歸
- 2017-01-06
-
stata線性回歸分析_stata線性回歸
總體平方和殘差平方和，解釋平方和 ，F(xiàn)檢驗值 F檢驗P值 判定系數(shù) 調(diào)整判定系數(shù) 均方根誤差 變量系數(shù) 標(biāo)準誤差 t檢驗值 t檢驗P值 置信區(qū)間 這些值怎么看？？？？ ...
- spss教程：線性回歸分析_spss線性回歸分析案例
- 2016-12-22
-
spss教程：線性回歸分析_spss線性回歸分析案例
回歸分析是一種應(yīng)用很廣的數(shù)量分析方法，用于分析事物間的統(tǒng)計關(guān)系，側(cè)重數(shù)量關(guān)系變化。回歸分析在數(shù)據(jù)分析中占有比較重要的位置。
一元線性回歸模型：指只有 ...
- SPSS—非線性回歸(模型表達式)案例解析
- 2016-12-11
-
SPSS—非線性回歸(模型表達式)案例解析
由簡單到復(fù)雜，人生有下坡就必有上坡，有低潮就必有高潮的迭起，隨著SPSS的深入學(xué)習(xí)，已經(jīng)逐漸開始走向復(fù)雜，今天跟大家交流一下，SPSS非線性回歸，希望大家能夠指點一二 ...
- SPSS分析技術(shù):非線性回歸;科學(xué)種田!肥料應(yīng)該用多少合適
- 2016-12-05
-
SPSS分析技術(shù):非線性回歸;科學(xué)種田!肥料應(yīng)該用多少合適
非線性回歸
非線性關(guān)系可以分為本質(zhì)是線性關(guān)系的非線性關(guān)系和完全非線性關(guān)系，有點拗口。在曲線回歸總已經(jīng)介紹，可以通過變量裝換，轉(zhuǎn)化為線性關(guān)系， ...
全國校區(qū)
京公網(wǎng)安備 11010802034615號
經(jīng)營許可證編號：京B2-20210330