Wie passe ich eine lokal gewichtete Regression in Python an, damit sie für die Vorhersage neuer Daten verwendet werden kann?
Es gibt statsmodels.nonparametric.smoothers_lowess.lowess , aber es gibt die Schätzungen nur für den ursprünglichen Datensatz zurück; es scheint also nur fit und predict zusammen zu sein, anstatt getrennt wie erwartet.
scikit-learn hat immer eine Methode fit , mit der das Objekt später für neue Daten mit predict ; aber es implementiert nicht lowess .
Lowess eignet sich hervorragend zur Vorhersage (wenn mit Interpolation kombiniert)! Ich denke, der Code ist ziemlich einfach - lassen Sie mich wissen, wenn Sie irgendwelche Fragen haben! Matplolib Abbildung
%Vor%Ziehen Sie stattdessen die Verwendung der Kernel-Regression in Betracht.
statmodels hat eine Implementierung .
Wenn Sie zu viele Datenpunkte haben, verwenden Sie sk.learns radiusNeighborRegression und eine Tricube-Gewichtungsfunktion angeben?
Tags und Links python python-3.x pandas statsmodels
