Die Vorhersage auf neue Daten mit lokal gewichtete regression (LOESS/LOWESS)
Wie fit eine lokal gewichtete regression in python, so dass es kann verwendet werden, um Vorhersagen auf neuen Daten?
Es ist statsmodels.nonparametric.smoothers_lowess.lowess
, aber es gibt die Schätzungen nur für die original-Daten-set, so scheint es, nur fit
und predict
zusammen, anstatt separat als ich erwartet hatte.
scikit-learn
hat immer eine fit
- Methode, mit der das Objekt später verwendet zu werden neue Daten mit predict
; aber es nicht umsetzen lowess
.
- Dies ist nicht das, was lowess ist für. Lowess ist für die Glättung, die nicht vorausgesehen
- Es kann sicherlich sein für die Vorhersage verwendet. stat.ethz.ch/R-manual/R-devel/library/stats/html/.... Siehe auch stackoverflow.com/questions/12822069/....
Du musst angemeldet sein, um einen Kommentar abzugeben.
Lowess funktioniert Super für die Vorhersage (kombiniert mit interpolation)! Ich denke, der code ist ziemlich einfach-lassen Sie mich wissen, wenn Sie irgendwelche Fragen haben!
Matplolib Abbildung
Erwägen Sie die Verwendung der Kernel-Regression statt.
statmodels hat eine Umsetzung.
Wenn Sie zu viele Daten Punkte, warum nicht sk.lernen ist radiusNeighborRegression und geben Sie einen tricube Gewichtung-Funktion?