首页print('Eigenvalues: ', jres.eig) print('Critical values (90%, 95%, 99%) of trace statistic: ', jres.trace_stat_crit_vals) print('Critical values (90%, 95%, 99%) of max eigenvalue statistic: ', jres.max_eig_stat_crit_vals) Eigenvalues: [0.80059337 0.28819051] Critical values (90%, 95%, 99%) of trace statistic: [[10.4741 12.3212 16.364 ] [ 2.9762 4.1296 6.9406]] Critical values (90%, 95%, 99%) of max eigenvalue statistic: [[ 9.4748 11.2246 15.0923] [ 2.9762 4.1296 6.9406]]什么意思

print('Eigenvalues: ', jres.eig) print('Critical values (90%, 95%, 99%) of trace statistic: ', jres.trace_stat_crit_vals) print('Critical values (90%, 95%, 99%) of max eigenvalue statistic: ', jres.max_eig_stat_crit_vals) Eigenvalues: [0.80059337 0.28819051] Critical values (90%, 95%, 99%) of trace statistic: [[10.4741 12.3212 16.364 ] [ 2.9762 4.1296 6.9406]] Critical values (90%, 95%, 99%) of max eigenvalue statistic: [[ 9.4748 11.2246 15.0923] [ 2.9762 4.1296 6.9406]]什么意思

时间: 2024-01-24 20:19:10 浏览: 174

基于差分搜索算法的模糊广义特征值近端支持向量机参数优化-研究论文

支持向量机 (SVM) 是许多分类问题的有效模型。然而，SVM 需要二次规划的解决方案，需要专门的代码。此外，SVM 有很多参数，影响了 SVM 分类器的性能。最近，提出了广义特征值近端 SVM（GEPSVM）来解决 SVM 的复杂性。在现实世界的应用程序中，数据可能会受到错误或噪声的影响，处理这些数据是一个具有挑战性的问题。在本文中，已经提出了一种方法来克服这个问题。这种方法称为 DSA-GEPSVM。主要改进基于以下几点：1）线性情况下的新模糊值。 2) 非线性情况下的新核函数。 3) 差分搜索算法 (DSA) 被重新制定以找到 GEPSVM 参数及其内核参数的接近最优值。实验结果表明，所提出的方法能够找到合适的参数值，并且与其他一些算法相比具有更高的分类精度。

这段代码是进行 Johansen 协整检验的结果输出，其中： - Eigenvalues：是协整方程的特征根（eigenvalue），用于判断是否存在协整关系。在这个例子中，有两个特征根，分别为0.80059337和0.28819051。 - Critical values：是检验统计量的临界值，用于判断检验统计量是否显著。这里给出了两个检验统计量的临界值（trace statistic和max eigenvalue statistic），并分别给出了90%、95%和99%的临界值。如果检验统计量的值超过了对应的临界值，则认为存在协整关系，否则认为不存在。具体来说，如果我们想要判断两个时间序列是否存在协整关系，可以使用 Johansen 协整检验。该检验会返回两个检验统计量（trace statistic和max eigenvalue statistic），并基于这两个统计量计算临界值。如果检验统计量的值超过了对应的临界值，则认为存在协整关系，否则认为不存在。在这个例子中，可以看到两个特征根均小于对应的临界值，因此我们可以认为这两个时间序列不存在协整关系。

阅读全文