ローカル加重回帰（LOESS/LOWESS）を使用した新しいデータの予測

Question

ローカル加重回帰を新しいデータの予測に使用できるようにするにはどうすればよいですか？

statsmodels.nonparametric.smoothers_lowess.lowessがありますが、元のデータセットの見積もりの​​みが返されます。だから私は予想通り別々ではなく、fitとpredictを一緒に使っているようだ。

scikit-learnは、常にfitメソッドを持ちます。このメソッドでは、後でpredictという新しいデータでオブジェクトを使用できます。 lowessを実装していません。

Answer 1

ローレスは、（補間と組み合わせて）予測するのに最適です！私はコードがかなり簡単だと思います。質問があれば教えてください！ Matplolib Figure

import matplotlib.pyplot as plt 
%matplotlib inline 
from scipy.interpolate import interp1d 
import statsmodels.api as sm 

# introduce some floats in our x-values 
x = list(range(3, 33)) + [3.2, 6.2] 
y = [1,2,1,2,1,1,3,4,5,4,5,6,5,6,7,8,9,10,11,11,12,11,11,10,12,11,11,10,9,8,2,13] 

# lowess will return our "smoothed" data with a y value for at every x-value 
lowess = sm.nonparametric.lowess(y, x, frac=.3) 

# unpack the lowess smoothed points to their values 
lowess_x = list(zip(*lowess))[0] 
lowess_y = list(zip(*lowess))[1] 

# run scipy's interpolation. There is also extrapolation I believe 
f = interp1d(lowess_x, lowess_y, bounds_error=False) 

xnew = [i/10. for i in range(400)] 

# this this generate y values for our xvalues by our interpolator 
# it will MISS values outsite of the x window (less than 3, greater than 33) 
# There might be a better approach, but you can run a for loop 
#and if the value is out of the range, use f(min(lowess_x)) or f(max(lowess_x)) 
ynew = f(xnew) 


plt.plot(x, y, 'o') 
plt.plot(lowess_x, lowess_y, '*') 
plt.plot(xnew, ynew, '-') 
plt.show() 

Answer 2

代わりにカーネル回帰を使用することを検討してください。

statmodelsはimplementationです。

データポイントが多すぎる場合は、sk.learnのradiusNeighborRegressionを使用し、トリコウの重み関数を指定しないでください。