Алгоритм LOWESS
Материал из MachineLearning.
(→Алгоритм LOWESS) |
(→Алгоритм) |
Версия 11:04, 5 января 2010
![]() | Статья плохо доработана. |
Алгоритм LOWESS (locally weighted scatter plot smoothing) - локально взвешенное сглаживание.
Содержание |
Введение
- Данная методика была предложена Кливлендом(Cleveland) в 1979 году для моделирования и сглаживания двумерных данных
. Эта техника предоставляет общий и гибкий подход для приближения двумерных данных.
- Локально-линейная модель loess(lowess) можеть быть записана в виде:
-
- Эта модель может быть расширена на случай локально-квадратичной зависимости и на модель с бо‘льшим числом независимых переменных.
- Параметры
и
локально линейной модели оцениваются, с помощью локально взвешенной регрессии, которая присваивает объекту тем больший вес, чем более близок он близким к объекту
.
- Степень сглаживания определяется параметром сглаживания
, который выбирает пользователь.
- Параметр
указывает какая доля(fraction) данных используется в процедуре. Если
, то только половина данных используется для оценки и влияет на результат, и тогда мы получим умеренное сглаживание. С другой стороны, если
, то используются восемьдесят процентов данных, и сглаживание намного сильнее. Во всех случаях веса данных тем больше чем они ближе к объекту
.
- Процедура оценки использует не метод наименьших квадратов, а более устойчивый(робастный) метод, который принимает меры против выбросов.
- График приближенных значений
-
- от
полезен для принятия решения о характере связи между
и
. Для проверки качества приближения полученного с помощью процедуры устойчивого loess полезно посмотреть на график остатков обычной регресссии, то есть в осях (i) остатки от числа наблюдения (ii) остатки от прибли‘женных значений, (iii) остатки от значений независимой переменной. Как показал Кливленд, может быть предпочтительно использовать график в осях модули остатков от полученных приближенных значений вместо графика (ii) для устойчивого loess сглаживания, чтобы проверить наличие тренда или других систематических особенностей.
- Когда
вычисления могут быть слишком долгими, в этом случае можно сократить количество вычислений оценивая
и
только в точках отстоящих друг от друга как минимум на
единиц, где параметр
может задаваться либо приниматься по умолчанию. Рекомендуемые значения
-
Если
-
Если
, где
— [межквартильный размах](Interquartile range).
-
- С такими параметрами вычисления будут выполнены для примерно 100 точек.
Примеры
- На Рис. 2. Приведена иллюстрация уровня сглаживания в зависимости от значения параметра
- Сглаживание также может быть локально квадратичным, в этом случае модель для
имеет вид
-
Примеры сглаживания с квадратичным локальным приближением показаны на Рис. 3.
Технические детали алгоритма
Базовое предположение состоит в следующем
где - функция глаживания, остатки
имеют нулевое математическое ожидание и фиксированную дисперсию. Затем сглаживание
мы приближаем локально-линейной(локально квадратичной, в случае нелинейной модели) функцией, чтобы получить
-
.
-
Для четкого определения агоритма поясним концепцию локальных весов и робастных весов
.
Локальные веса
- Рассмотрим один из широко распространенных примеров – функцию
- Для заданного параметра
пусть
- ближайшее целое число к произведению
. Пусть
расстояние до
-того ближайшего соседа объекта
. Тогда локальный вес для любого объекта
в окрестности
есть
.
Замечание
- Более общий подход к определению локальных весов состоит в выборе ширины окна
, в общем случае
, то есть зависящей от объекта
, и ядровой функции
. Тогда локальные веса вычисляются по формулам
- В этом случае отпадает необходимость задания параметра сглаживания
и его смысл эквивалентен выбору ширины окна
.
Робастные веса
Пусть
– обучающая выборка за исключением элемента
,
– ответ алгоритма
, обученного на выборке
при работе на объекте
.
– ошибка алгоритма на объекте
.
Пусть - есть медиана величин
.
тогда
, где
Замечание
- Возможны и другие варианты выбора весов
, например, занулить
штук, соответствующих наибольшим
.
Алгоритм LOWESS
Вход
- обучающая выборка;
весовые функции;
Выход
Коэффициенты
Алгоритм
- 1: инициализация
- 2: повторять
- 3: вычислить оценки скользящего контроля на каждом объекте с весами
:
- 4: вычислить новые значения коэффициентов
:
;
- 5: пока коэффициенты
не стабилизируются
Коэффициенты , как и ошибки
, зависят от функции
, которая,
в свою очередь, зависит от
. На каждой итерации строится функция
,
затем уточняются весовые множители
. Как правило, этот процесс сходится довольно быстро.
Однако в практических реализациях имеет смысл вводить ограничение на количество итераций, как правило это 2-3 итерации.
Выбор ядра ![\bar{K}](../mimetex/?\bar{K} )
- В качестве ядра
большинство практических источников рекомендуют использовать следующее:
Пусть - есть медиана коэффициентов
,
тогда
, где
Более простой вариант, состоит в отбросе коэффициентов, соответствующих объектам с максимальными
. Это соотвествует ядру
где –-
- тый член вариационного ряда
Примеры применения
Литература
- Воронцов К.В. Лекции по алгоритмам восстановления регрессии. — 2007.
- A.I. McLeod Statistics 259b Robust Loess: S lowess. — 2004.
- John A Berger, Sampsa Hautaniemi, Anna-Kaarina Järvinen, Henrik Edgren, Sanjit K Mitra and Jaakko Astola Optimized LOWESS normalization parameter selection for DNA microarray data. — BMC Bioinformatics, 2004.
См. также
- Непараметрическая регрессия
- Регрессионный анализ
- Local regression
- Расин, Джеффри (2008) «Непараметрическая эконометрика: вводный курс», Квантиль, №4, стр. 7–56.
![]() | Данная статья является непроверенным учебным заданием.
До указанного срока статья не должна редактироваться другими участниками проекта MachineLearning.ru. По его окончании любой участник вправе исправить данную статью по своему усмотрению и удалить данное предупреждение, выводимое с помощью шаблона {{Задание}}. См. также методические указания по использованию Ресурса MachineLearning.ru в учебном процессе. |
→