使用 numpy 的有损多项式回归答案

【问题标题】：Lossy Polynomial Regression using numpy使用 numpy 的有损多项式回归
【发布时间】：2012-07-20 19:44:18
【问题描述】：

手头的问题是我需要一种数学方法来模拟一组 x,y 值的符号。具体来说，我知道有一些方法可以使用多项式回归，但是，如果我只关心值的符号 (+/-)，有没有更简单的方法？我目前这样做的方法：

import numpy
numpy.polyfit(x_bytearray,y_bytearray)

但是，我只关心结果是否给我一个正值，其中 y_bytearray 值为正，如果 y_bytearray 值为负，则为负。有没有办法摆弄 polyfit 代码以使用不同于最小二乘法的加权方法？

编辑 x 的符号为 sign(x)= x/abs(x)（-1 或 1），拟合的多项式或其他表达式必须仅满足 sign(y_bytearray[i]) == sign(computed_y[i] )。

【问题讨论】：

抱歉不清楚：输入曲线 y() -> plusorminus( 任意 x，或仅 x_bytearray 中的 x) ？你能举一个好/坏 plusminus() 的例子吗？
听起来你想要泊松回归之类的东西。
为什么会这样？如果对于某些建模函数 p(x) 0 where y_bytearray[x] > 0，我显然会得到一个有意义的近似值。多项式回归不一定是线性的。

【解决方案1】：

最小二乘法很受欢迎，因为它简单且易于计算。还有很多其他可能的方法，但它们不太可能在库中实现，所以你必须自己做。

要研究的另一件事是二元分类。分类方法有很多，但最好的方法之一是随机森林。

【讨论】：