Dự đoán dữ liệu mới sử dụng hồi quy có trọng số cục bộ (LOESS/LOWESS)

Question

Làm thế nào để phù hợp với hồi quy trọng số cục bộ trong python để có thể sử dụng để dự đoán dữ liệu mới?

Có statsmodels.nonparametric.smoothers_lowess.lowess, nhưng chỉ trả về ước tính cho tập dữ liệu gốc; do đó, dường như chỉ làm fit và predict cùng nhau, thay vì riêng biệt như tôi mong đợi.

scikit-learn luôn có phương pháp fit cho phép đối tượng được sử dụng sau này trên dữ liệu mới với predict; nhưng nó không thực hiện lowess.

Answer 1

Lowess hoạt động tốt để dự đoán (khi kết hợp với nội suy)! Tôi nghĩ mã này khá đơn giản-- hãy cho tôi biết nếu bạn có bất kỳ câu hỏi nào! Matplolib Figure

import matplotlib.pyplot as plt 
%matplotlib inline 
from scipy.interpolate import interp1d 
import statsmodels.api as sm 

# introduce some floats in our x-values 
x = list(range(3, 33)) + [3.2, 6.2] 
y = [1,2,1,2,1,1,3,4,5,4,5,6,5,6,7,8,9,10,11,11,12,11,11,10,12,11,11,10,9,8,2,13] 

# lowess will return our "smoothed" data with a y value for at every x-value 
lowess = sm.nonparametric.lowess(y, x, frac=.3) 

# unpack the lowess smoothed points to their values 
lowess_x = list(zip(*lowess))[0] 
lowess_y = list(zip(*lowess))[1] 

# run scipy's interpolation. There is also extrapolation I believe 
f = interp1d(lowess_x, lowess_y, bounds_error=False) 

xnew = [i/10. for i in range(400)] 

# this this generate y values for our xvalues by our interpolator 
# it will MISS values outsite of the x window (less than 3, greater than 33) 
# There might be a better approach, but you can run a for loop 
#and if the value is out of the range, use f(min(lowess_x)) or f(max(lowess_x)) 
ynew = f(xnew) 


plt.plot(x, y, 'o') 
plt.plot(lowess_x, lowess_y, '*') 
plt.plot(xnew, ynew, '-') 
plt.show() 

Answer 2

Xem xét sử dụng Kernel Regression để thay thế.

các mô hình có implementation.

Nếu bạn có quá nhiều điểm dữ liệu, tại sao không sử dụng số radiusNeighborRegression của sk.learn và chỉ định hàm trọng số tricube?