Hồi quy đa thức có trọng số Python
Hồi quy tuyến tính có trọng số cục bộ là phương pháp hồi quy phi tham số kết hợp học máy dựa trên k-láng giềng gần nhất. Nó được gọi là trọng số cục bộ vì đối với một điểm truy vấn, chức năng được tính gần đúng trên cơ sở dữ liệu gần điểm đó và được tính trọng số vì phần đóng góp được tính trọng số theo khoảng cách của nó từ điểm truy vấn Locally Weighted Regression (LWR) là một thuật toán dựa trên bộ nhớ, không tham số, có nghĩa là nó lưu giữ dữ liệu đào tạo một cách rõ ràng và sử dụng nó cho mỗi lần đưa ra dự đoán Để giải thích hồi quy tuyến tính có trọng số cục bộ, trước tiên chúng ta cần hiểu hồi quy tuyến tính. Hồi quy tuyến tính có thể được giải thích bằng các phương trình sau
Đặt (xi, yi) là điểm truy vấn, sau đó để tối thiểu hóa hàm chi phí trong hồi quy tuyến tính
Do đó, công thức tính \theta cũng có thể là trong đó, beta là vectơ của vectơ tuyến tính, X, Y là ma trận và vectơ của tất cả các quan sát Đối với hồi quy tuyến tính có trọng số cục bộ
Ở đây, w(i) là trọng số liên quan đến mỗi lần quan sát dữ liệu huấn luyện. Nó có thể được tính theo công thức đã cho Hoặc điều này có thể được biểu diễn dưới dạng phép tính ma trận Tác động của băng thông trong đó x(i) là quan sát từ dữ liệu huấn luyện và x là một điểm cụ thể để tính khoảng cách và T(tau) là băng thông. Ở đây, T(tau) quyết định mức độ phù hợp của hàm, nếu hàm phù hợp chặt chẽ, giá trị của nó sẽ nhỏ. Vì vậy, sau đó, chúng ta có thể tính \theta bằng phương trình sau Thực hiện
Python360 61 62 0 1 61 3 0 5 61 7 0 9 61 1 2____23 4 5 6 7
8 9 0 1 2 1 4 5 6 7 8 1 0 5 2 3 4 1 1 7 1 9 5 1 2 3 1____55 5 7 1 9 1 1 1 3 4
5 9 7 1 3 600_______1601 602 603 604 2 2 607 608 5 7 7 612 613 603 607 2 617 2 2 607 621
622 9 624 1____1626 1 628 5 00 603 02 03 02 05 5 07 7 1 10 5 12 13 4 15 16
1 18 5 20 5 22 23 5 22 7 1 28 5 30 2 32 1 34 5 36 02 7 1 40 5 607 43 5 45 7 1 1 3 18
51 52 5 54
55 0 5 00 603 02 03 02 05 5 65 66 5 68 69 70 2 2 02 603 7 7
77 0 79 5 81 5 36 7 85 5 65 |