Можно ли запустить нелинейную регрессию без какой-либо заданной функциональной формы, используя многопараметрический фрейм данных в Python?

Question

Я пытаюсь проанализировать многовариантную переменную с линейным кадром (например, randomforest, sklearn et c.) С Python.

Однако, он показывает огромный RMSE, поэтому я пытаюсь применить нелинейную регрессию к моим данным.

Я хочу запустить нелинейную регрессию для прогнозирования стоимости товаров, с большим количеством данных (например, Качество, год выпуска, номер завода, общее состояние и множество категорий ..).

Я пытаюсь найти в Google и Stackoverflow, но я могу найти только использование кривой_положения, способ полифитинга, который уже предсказывает функциональную форму между X и Y. Кроме того, мое значение ключа входных данных больше 10, поэтому я хочу использование ML или некоторых других пакетов для применения нелинейной регрессии.

Пожалуйста, помогите и сообщите мне!

Answer 1

Если вы хотите подогнать кривую к данным с минимальными допущениями относительно функции, которая применяется к одному или нескольким предикторам, вы входите в область непараметрии c Регрессия.

Для линейной регрессии вы рассматриваете некоторое изменение: y = f(x) + u, часто в форме, подобной y = B_0 + B_1*x_1 + u, где предположения являются линейными как в параметрах, так и в данных.

Непараметрические c методы пытаются оценить форму функции, а не просто B в модели.

Некоторые простые непараметрические c методы часто называют «сглаживателями»; они устанавливаются так, чтобы соответствовать гладкой линии данным (пример этого - вычисленная трасса на диаграмме рассеяния). Другие методы пытаются запускать регрессии, которые в той или иной форме взвешивают расстояния между точками данных, или другие штрафы, которые помогают соответствовать линии, не ограничиваясь такими допущениями, как линейность по всему набору данных; пара самых выдающихся из них - loess & lowess (две разные вещи, а не просто правописание). Как и в случае с любыми другими методами, есть причины выбирать один из двух, каждый имеет свои недостатки и преимущества и требует небольшого прочтения, прежде чем использовать их без разбора.

Для более подробного объяснения, это действительно хорошая презентация .

Чтобы поработать над этим в Python, , вот документация на statsmodels 'библиотека непараметрических c методов.