在线时间:8:00-16:00
迪恩网络APP
随时随地掌握行业动态
扫描二维码
关注迪恩网络微信公众号
通常我们使用的最小二乘都需要预先设定一个模型,然后通过最小二乘方法解出模型的系数。 而大多数情况是我们是不知道这个模型的,比如这篇博客中z=ax^2+by^2+cxy+dx+ey+f 这样的模型。 局部加权线性最小二乘就不需要我们预先知道待求解的模型,因为该方法是基于多个线性函数的叠加,最终只用到了线性模型。 计算线性模型时引入了一个加权函数: 来给当前预测数据分配权重,分配机制是:给距离近的点更高的权重,给距离远的点更低的权重。 公式中的k类似与高斯函数中的sigma。 当sigma变大时,函数变得矮胖,计算局部线性函数时更多的使用全局数据; 当sigma变小时,函数变得瘦高,计算局部线性函数时更多的使用局部数据。 代码如下: 1 clear all;
2 close all;
3 clc;
4
5 x=(1:0.1:10)';
6 y=x.^2+x+3 +rand(length(x),1)*6;
7 plot(x,y,'.')
8
9 sigma=0.1; %设置局部窗口,越大越使用全局数据,越小越使用局部数据
10 W=zeros(length(x));
11 C=[];
12 for i=1:length(x)
13 for j=1:length(x)
14 W(j,j)=exp(-((x(i)-x(j))^2)/(2*sigma^2)); %权重矩阵
15 end
16
17 XX=[x ones(length(x),1)];
18 YY=y;
19 C=[C inv(XX'*W*XX)*XX'*W*YY]; %加权最小二乘,计算求得局部线性函数的系数
20
21 end
22
23 re=diag(XX*C);
24 hold on;
25 plot(x,re);
结果如下:
可以看出,红色的局部线性函数最终拟合出了全局的数据。 不过该方法既然不需要知道模型,那我们如何预测未来的数据结果呢? |
2023-10-27
2022-08-15
2022-08-17
2022-09-23
2022-08-13
请发表评论