Python pwlf (кусочно-линейные функции) дает разные результаты для одних и тех же данных

Это мои данные:

x
array([  0,   7,  14,  21,  28,  35,  42,  49,  56,  63,  70,  77,  84,
        91,  98, 105, 112, 119, 126, 133, 140, 147, 154, 161, 168, 175])

y
array([0.4 , 0.4 , 0.4 , 0.4 , 0.6 , 0.6 , 0.6 , 0.6 , 0.6 , 0.97, 0.97,
       0.97, 0.97, 1.13, 1.13, 1.13, 1.13, 1.13, 0.9 , 0.9 , 0.9 , 0.9 ,
       0.7 , 0.7 , 0.7 , 0.7 ])

Я подал заявку pwlf - https://pypi.org/project/pwlf, но каждый раз, когда я выполняю этот код, я получаю разные fit_breaks:

pwlf_model = pwlf.PiecewiseLinFit(x, y ,degree=1)
pwlf_model.fit(4)

Первый забег

pwlf_model.fit_breaks
array([  0.        ,  58.01861485,  60.07425168, 104.30868782,
       175.        ])

Второй запуск

pwlf_model.fit_breaks
array([  0.        ,  59.48475228,  59.67460644, 104.30594173,
       175.        ])

Третий запуск

pwlf_model.fit_breaks
array([  0.        ,  56.60204   ,  62.0270283 , 104.30827438,
       175.        ])

Четвертый запуск

pwlf_model.fit_breaks
array([  0.        ,  58.92722066,  59.50363949, 104.30764284,
       175.        ])

Почему это? любые рандомизированные шаги в модели? [1]: https://i.stack.imgur.com/Iut9x.png

Стоит ли изучать PHP в 2023-2024 годах?
Стоит ли изучать PHP в 2023-2024 годах?
Привет всем, сегодня я хочу высказать свои соображения по поводу вопроса, который я уже много раз получал в своем сообществе: "Стоит ли изучать PHP в...
Поведение ключевого слова "this" в стрелочной функции в сравнении с нормальной функцией
Поведение ключевого слова "this" в стрелочной функции в сравнении с нормальной функцией
В JavaScript одним из самых запутанных понятий является поведение ключевого слова "this" в стрелочной и обычной функциях.
Приемы CSS-макетирования - floats и Flexbox
Приемы CSS-макетирования - floats и Flexbox
Здравствуйте, друзья-студенты! Готовы совершенствовать свои навыки веб-дизайна? Сегодня в нашем путешествии мы рассмотрим приемы CSS-верстки - в...
Тестирование функциональных ngrx-эффектов в Angular 16 с помощью Jest
В системе управления состояниями ngrx, совместимой с Angular 16, появились функциональные эффекты. Это здорово и делает код определенно легче для...
Концепция локализации и ее применение в приложениях React ⚡️
Концепция локализации и ее применение в приложениях React ⚡️
Локализация - это процесс адаптации приложения к различным языкам и культурным требованиям. Это позволяет пользователям получить опыт, соответствующий...
Пользовательский скаляр GraphQL
Пользовательский скаляр GraphQL
Листовые узлы системы типов GraphQL называются скалярами. Достигнув скалярного типа, невозможно спуститься дальше по иерархии типов. Скалярный тип...
1
0
918
1
Перейти к ответу Данный вопрос помечен как решенный

Ответы 1

Ответ принят как подходящий

Похоже, что метод, используемый для подбора, является стохастическим. Из исходного кода pwlf fit вызывает функцию scipy.optimize.differential_evolution. Документация Scipy для этой функции описывает ее как стохастический метод для определения глобального минимума функции.

Похоже, что с настройками по умолчанию, используемыми pwlf, он не совсем сходится или, по крайней мере, приближается к сходимости каждый раз с разных сторон. Возможно, вы сможете отредактировать ключевые слова, чтобы оптимизация выполняла более строгий поиск истинного минимума. Например, atol устанавливает абсолютный допуск для сходимости. Вы также устанавливаете seed постоянное значение, чтобы, по крайней мере, каждый раз получать один и тот же результат, даже если он, возможно, не нашел «истинный» минимум. Просто имейте в виду, что если вы измените одно из ключевых слов, вам нужно явно выписать все остальные, так как **kwargs, переданное в fit, по-видимому, перезаписывает значения по умолчанию, которые будут переданы в differential_evolution.

Спасибо за понятное объяснение, буду пробовать разные варианты

user88484 24.12.2020 08:55

Другие вопросы по теме

Прогнозировать значение X по значению Y с помощью подобранной полиномиальной модели 2-й степени
Петля линейной регрессии для диаграммы рассеяния остатков
Моделирование линейной регрессии scikit-learn python
Обучение не обобщает, чтобы хорошо предсказать валидацию и набор тестов, как улучшить обобщение?
Приложение Shiny для линейной регрессии с раскрывающимся списком динамических переменных на основе загрузки пользователя
Передача формулы в виде строки в кавычках в функцию regsubsets() из пакета jumps
Tidymodels (Подбор случайного леса с помощью fit_samples()): Fold01: internal: Ошибка: Должна группироваться по переменным, найденным в `.data`
Построение перекрестной проверки MSE гребневой регрессии
MLJ: выбор строк и столбцов для обучения оценке
Tidymodels (Подбор деревьев в мешках с 10-кратной перекрестной проверкой в ​​​​R): x Fold01: модель: Ошибка: вход должен быть вектором, а не NULL