Theil-Sen 回归分析示例

Theil-Sen 回归是一种基于中位数的估计方法,它在处理包含异常值的数据集时表现出了很好的鲁棒性。与普通最小二乘法(OLS)相比,Theil-Sen 估计器对异常值的容忍度更高,其在简单线性回归情况下的破坏点约为29.3%,这意味着它可以容忍高达29.3%的任意损坏数据(异常值)在二维情况下。

模型的估计通过计算所有可能的 p 个子样本点组合的斜率和截距来完成。如果拟合截距,p 必须大于或等于 n_features + 1。最终的斜率和截距定义为这些斜率和截距的空间中位数。

在某些情况下,Theil-Sen 的表现优于 RANSAC,后者也是一种鲁棒方法。这在下面的第二个示例中得到了说明,其中相对于 x 轴的异常值干扰了 RANSAC。调整 RANSAC 的 residual_threshold 参数可以解决这个问题,但通常需要对数据和异常值的性质有先验知识。

由于 Theil-Sen 的计算复杂性,建议仅在样本数量和特征数量较小的问题上使用它。对于更大的问题,max_subpopulation 参数限制了所有可能的 p 个子样本点组合的数量到一个随机选择的子集,从而也限制了运行时间。因此,Theil-Sen 适用于更大的问题,但缺点是会失去一些数学属性,因为它在随机子集上工作。

代码示例

import time import matplotlib.pyplot as plt import numpy as np from sklearn.linear_model import LinearRegression, RANSACRegressor, TheilSenRegressor estimators = [ ("OLS", LinearRegression()), ("Theil-Sen", TheilSenRegressor(random_state=42)), ("RANSAC", RANSACRegressor(random_state=42)), ] colors = { "OLS": "turquoise", "Theil-Sen": "gold", "RANSAC": "lightgreen" } lw = 2 # Outliers only in the y direction np.random.seed(0) n_samples = 200 x = np.random.randn(n_samples) w = 3.0 c = 2.0 noise = 0.1 * np.random.randn(n_samples) y = w * x + c + noise # 10% outliers y[-20:] += -20 * x[-20:] X = x[:, np.newaxis] plt.scatter(x, y, color="indigo", marker="x", s=40) line_x = np.array([-3, 3]) for name, estimator in estimators: t0 = time.time() estimator.fit(X, y) elapsed_time = time.time() - t0 y_pred = estimator.predict(line_x.reshape(2, 1)) plt.plot(line_x, y_pred, color=colors[name], linewidth=lw, label="%s (fit time: %.2f s)" % (name, elapsed_time)) plt.axis("tight") plt.legend(loc="upper left") plt.title("Corrupt y") # Outliers in the X direction np.random.seed(0) x = np.random.randn(n_samples) noise = 0.1 * np.random.randn(n_samples) y = 3 * x + 2 + noise # 10% outliers x[-20:] = 9.9 y[-20:] += 22 X = x[:, np.newaxis] plt.figure() plt.scatter(x, y, color="indigo", marker="x", s=40) line_x = np.array([-3, 10]) for name, estimator in estimators: t0 = time.time() estimator.fit(X, y) elapsed_time = time.time() - t0 y_pred = estimator.predict(line_x.reshape(2, 1)) plt.plot(line_x, y_pred, color=colors[name], linewidth=lw, label="%s (fit time: %.2f s)" % (name, elapsed_time)) plt.axis("tight") plt.legend(loc="upper left") plt.title("Corrupt x") plt.show()

以上代码展示了如何在包含 y 方向和 x 方向异常值的数据集上应用 Theil-Sen 回归、普通最小二乘回归和 RANSAC 回归。通过比较不同回归方法的拟合时间和结果,可以观察到 Theil-Sen 回归在处理异常值时的优势。

代码中首先设置了随机种子以确保结果的可重复性,然后定义了样本数量和线性模型的参数。接着,通过添加异常值来模拟数据集中的噪声。最后,使用不同的回归方法对数据进行拟合,并绘制出拟合结果的图形。

相关示例

  • 使用 RANSAC 进行鲁棒线性模型估计
  • 使用 RANSAC 进行鲁棒线性估计拟合
  • 比较不同缩放器对含异常值数据的影响
  • 逻辑函数
沪ICP备2024098111号-1
上海秋旦网络科技中心:上海市奉贤区金大公路8218号1幢 联系电话:17898875485