局部加权线性回归（附实战代码python）

最新推荐文章于 2024-08-07 10:58:50 发布

edward_zcl

最新推荐文章于 2024-08-07 10:58:50 发布

阅读量1.7k

点赞数 1

分类专栏： Python使用技巧文章标签： python 机器学习算法

原文链接：https://blog.csdn.net/z_feng12489/article/details/80213739

版权

Python使用技巧专栏收录该内容

151 篇文章 20 订阅

订阅专栏

1、方法论

局部加权线性回归（Local Weights Linear Regression）也是一种线性回归，不同的是，普通线性回归是全局线性回归，使用全部的样本计算回归系数。而局部加权线性回归，通过引入权值（核函数），在预测的时候，只使用与测试点相近的部分样本来计算回归系数。

值得一提，该方法与kNN思想类似，都是用最近的若干样本点来做。

比如这样的曲线，用简单线性回归可以得到一条与样本具有最小均方差的直线，但这条直线显然不能代表图中数据所蕴含的细节规律，为了挖掘数据潜在特性，这里引入核函数，或者说权值，每次预测前都要计算一次回归系数，只使用测试点附件的部分样本点来进行计算。核函数如下

这里分子项应该是平方（欧式距离），而不是绝对值，书中有误。其中w是一个对角方阵，方阵大小与x的样本数量相等，显然，这是一个均值为x，标准差为k的高斯函数，故与测试样本x越近的样本点，能够得到更高的权重，而远的点则权重很小。

标准差k的选择可以遵循2sigma或者3sigma原则来。

根据上面的理论，下面对线性回归的目标函数进行修改：

注意w（i）是w(i,i)，计算每一个样本点时候都要计算一次w矩阵

求导并另导数为零可以得到：

2、Python实现

有了上面的公式，python实现就很容易了，直接贴代码：

# 局部加权线性回归
# 增加了核函数，使用高斯核函数，相当于只用于当前数据点相近的部分数据计算回归系数
def linear_regression_local_weights(test_point, x, y, k):
    m = x.shape[0]
    weights = np.mat(np.eye(m))
    for i in range(m):
        s = np.sum((test_point - x[i]) * (test_point - x[i]).T)
        dif = np.sqrt(s)
        weights[i, i] = np.exp(dif / (-2.0 * k**2))

    xtx = x.T * weights * x
    if np.linalg.det(xtx) == 0:
        print("the matrix is singular, cannot do inverse")
        return 0
    w = xtx.I * x.T * weights * y  # (2,2)*(2,n)*(n,1)=(2,1)
    return test_point * w
# 局部加权线性回归，每次都要去计算weights和w，速度龟慢
# 200个数据也要7,8s
def lrlw_test():
    xd = np.linspace(0, 1, 200)
    yd = xd * 2 + 0.5 + 0.1*np.sin(xd * 50) + np.random.normal(0, 0.03, xd.shape[0])
    y_org = xd * 2 + 0.5 + 0.1*np.sin(xd * 50)
    y = yd.reshape(xd.shape[0], 1)
    y = np.mat(y)
    x = np.c_[xd, np.ones(xd.shape[0])]  # 在最后一列全部添加1，用来增加w0或者说偏置项b
    x = np.mat(x)
    y_predict = np.zeros(xd.shape[0])

    t1 = time.clock()  # datetime.datetime.now()
    for i in range(xd.shape[0]):
        y_predict[i] = linear_regression_local_weights(x[i], x, y, 0.08)  # 0.08可以得到0.999的相关性
    print(time.clock() - t1, "s")

    print(np.corrcoef(y_org, y_predict))
    plt.scatter(xd, yd, marker=".", color="b")
    plt.plot(xd, y_predict, "r")
    plt.show()