加权回归sklearn

Question

我想根据新近度为我的训练数据添加权重。

如果我们看一个简单的例子：

import matplotlib.pyplot as plt
import numpy as np
from sklearn.preprocessing import PolynomialFeatures, normalize
from sklearn.linear_model import LinearRegression

X = np.array([1,2,3,4,5,6,7,8,9,10]).reshape(-1,1)
Y = np.array([0.25, 0.5, 0.75, 1, 1.5, 2, 3, 4, 6, 10]).reshape(-1,1)

poly_reg = PolynomialFeatures(degree=2)
X_poly = poly_reg.fit_transform(X)
pol_reg = LinearRegression()
pol_reg.fit(X_poly, Y)

plt.scatter(X, Y, color='red')
plt.plot(X, pol_reg.predict(poly_reg.fit_transform(X)), color='blue')

现在假设 X 值是基于时间的，而 Y 值是传感器的快照。所以我们正在对一些行为进行建模。我相信最新的数据点是最重要的，因为它们是最新的，并且最能代表未来的行为。我想调整我的模型，使最新的数据点权重最高。

在 R 中有一个关于这样做的问题：https : //stats.stackexchange.com/questions/196653/assigning-more-weight-to-more-recent-observations-in-regression

我想知道 sklearn 包（或任何其他 python 包）是否具有此功能？

此加权模型将具有类似的曲线，但会更好地拟合较新的点。如果我想用这个模型来预测未来，非加权模型的预测总是过于保守，因为它们对最新数据不那么敏感。

除了使用这种方法，我还使用了 curve_fit 来使用幂函数或指数函数：

from scipy.optimize import curve_fit

def func(x, a, b):
    return a*(x**b)

X = [1,2,3,4,5,6,7,8,9,10]
Y = [0.25, 0.5, 0.75, 1, 1.5, 2, 3, 4, 6, 10]

popt, pcov = curve_fit(func, X, Y, bounds=([-np.inf,1], [np.inf, np.inf]))
plt.plot(X, func(X, *popt), color = 'green')

如果使用func和的解决方案curve_fit是可能的，我也愿意接受，或任何其他方法。唯一需要注意的是，我的真实世界数据并不总是意味着解决方案是一个单调递增的函数，但我的理想解决方案将是。

Answer 1

我在这里查看了 sklearn 的 LinearRegression API ，我看到该类有一个fit()具有以下签名的方法：fit(self, X, y[, sample_weight]) 因此，据我所知，您实际上可以为您的样本提供一个权重向量。