Нелинейная регрессия. Полиномиальная регрессия

Полиномиальная регрессия

Одномерная полиномиальная регрессия с произвольной степенью n полинома и с произвольными координатами отсчетов реализуется вычисленими по формуле:

.

На рис. 8.3.2. приведен пример полиномиальной регрессии с использованием полиномов 2, 3 и 8-й степени. Степень полинома обычно устанавливают не более 4-6 с последовательным повышением степени, контролируя среднеквадратическое отклонение функции аппроксимации от фактических данных. Нетрудно заметить, что по мере повышения степени полинома функция аппроксимации приближается к фактическим данным, а при степени полинома, равной количеству отсчетов данных минус 1, вообще превращается в функцию интерполяции данных, что не соответствует задачам регрессии.

Рис. 8.3.2. Одномерная полиномиальная регрессия.

Зональная регрессия. При больших координатных интервалах с большим количеством отсчетов и сложной динамике изменения данных рекомендуется применять последовательную локальную регрессию отрезками полиномов малых степеней.

На рис. 8.3.3 приведен пример вычисления регрессии модельной кривой (отрезка синусоиды) в сумме с шумами. Параметр span определяет размер локальной области и подбирается с учетом характера данных и необходимой степени их сглаживания (чем больше span, тем больше степень сглаживания данных).

Рис. 8.3.3. Зональная регрессия полиномом второй степени.

Линейное суммирование произвольных функций. В программных пакетах для инженерных вычислений, таких как MatLab, Mathcad и прочих имеется возможность выполнения регрессии с приближением к функции общего вида в виде весовой суммы функций. При этом сами функции f_n(x) могут быть любого, в том числе нелинейного типа. С одной стороны, это резко повышает возможности аналитического отображения функций регрессии. Но, с другой стороны, это требует от пользователя определенных навыков аппроксимации экспериментальных данных комбинациями достаточно простых функций.

Регрессия общего типа. Второй вид нелинейной регрессии реализуется путем подбора параметров к заданной функции аппроксимации с использованием функции, обеспечивающей минимальную среднеквадратическую погрешность приближения функции регрессии к входным данным (векторы Хи Y координат и отсчетов). Пример приведен на рис. 8.3.4, где G(x) – набор из трех экспонент.

Рис. 8.3.4

Типовые функции регрессии. Для простых типовых формул аппроксимации предусмотрен ряд функций регрессии, в которых параметры функций подбираются программой самостоятельно.

На рис. 8.3.5 приведен пример реализации синусоидальной регрессии модельного массива данных по базовой синусоиде f₁(x) в сопоставлении с зональной регрессией полиномом второй степени f₂(x).

Как можно видеть из сопоставления методов по среднеквадратическим приближения к базовой кривой и к исходным данным, известность функции математического ожидания для статистических данных с ее использованием в качестве базовой для функции регрессии дает возможность с более высокой точностью определять параметры регрессии в целом по всей совокупности данных, хотя при этом кривая регрессии не отражает локальных особенностей фактических отсчетов данной реализации. Это имеет место и для всех других методов с заданием функций регрессии.

Рис. 8.3.5

В начало пункта

Оглавление

Дата добавления: 2014-01-20