Ищем образец, как сделать взвешенную линейную регрессию

Question

Я пытаюсь использовать MathNet для расчета взвешенной линейной регрессии моих данных.

Документация здесь.

Я пытаюсь найти a x + b = y такой, что лучше всего подходит список (x,y,w), где w вес каждой точки.

        var r = WeightedRegression.Weighted(
            weightedPoints.Select(p=>new Tuple<double[],double>(new [] { p.LogAvgAmount}, p.Frequency),
            weightedPoints.Select(p=>Convert.ToDouble(p.Weight)).ToArray(), false);

Как результат, в r Я получаю одно очко. То, что я ожидаю, это значения a и b.

Что я делаю неправильно?

Answer 1

WeightedRegression.Weighted ожидает матрицу предиктора в качестве первого параметра, и только LogAvgAmount проходит Попробуйте добавить 1 к списку или вызывая WeightedRegression.Weighted с intercept: true

var x = weightedPoints.Select(p => new[] {p.LogAvgAmount}).ToArray();
var y = weightedPoints.Select(p => p.Frequency).ToArray();
var w = weightedPoints.Select(p => Convert.ToDouble(p.Weight)).ToArray();

// r1 == r2
var r1 = WeightedRegression.Weighted(weightedPoints.Select(p =>
    new[] {1, p.LogAvgAmount}).ToArray(), y, w);

var r2 = WeightedRegression.Weighted(x, y, w, intercept: true);

Answer 2

Использование Math.Net Numerics может быть хорошей идеей.

Взвешенная регрессия

Иногда ошибка регрессии может быть уменьшена путем демпфирования определенных точек данных. Этого можно добиться, введя весовую матрицу W в нормальные уравнения XTy=XTXp. Такие матрицы весов часто являются диагональными, с отдельным весом для каждой точки данных на диагонали.

var p = WeightedRegression.Weighted (X, y, W);

Весовая регрессия становится интересной, если мы можем адаптировать их к интересующей точке и, например, ослабить все точки данных далеко. К сожалению, таким образом параметры модели зависят от интересующей точки t.

1: // предупреждение: предварительный API

2: var p = WeightedRegression.Local(X,y,t, радиус, ядро);

Вы можете найти более подробную информацию по адресу: https://numerics.mathdotnet.com/regression.html