Régression linéaire Simple pour l'ensemble de données

Je cherche à créer une fonction de tendance en C# pour un ensemble de données et il semble que l'aide d'une grosse bibliothèque de mathématiques est un peu overkill pour mes besoins.

Donné une liste de valeurs telles que la 6,13,7,9,12,4,2,2,1. Je voudrais obtenir la pente de la régression linéaire simple (pour voir si elle est en hausse ou en baisse) et de la prochaine valeur estimée. Je sais qu'il existe de grandes bibliothèques qui peut faire cela et bien plus, mais je voulais une approche plus simple.

Je ne suis pas dans les statistiques, donc si quelqu'un pouvait me conduire un moyen de le faire, ce serait apprécié.

googler pour c# linear regression a révélé très peu de résultats qui semblent répondre à votre besoin avec une fonction simple. Ce qui est insuffisant à leur sujet?
La plupart des traités avec des matrices d'éléments 2D quand je suis seulement un 1 dimensions ensemble de données.
Ce n'est pas vraiment à une dimension. Vous ne sont tout simplement ce qui implique une égalité de l'espacement entre les éléments. Donc, vous semblez vraiment [0,6], [1,13], [2,7], [3,9], etc. Finalement, vous semblez avoir besoin de connaître à la fois la pente et l'intersection, de sorte que vous pouvez calculer la prochaine valeur estimée. Sur la surface, cela semble utile: gist.github.com/tansey/1375526

OriginalL'auteur Justin | 2013-03-25

  1. 5

    Mon propre code pour l'avenir de prédiction(par Exemple pour les 15 jours à partir du premier jour)

      static void Main(string[] args)
{
double[] xVal = new double[9]
{
...
};
double[] yVal = new double[9]  {
...
};
double rsquared;
double yintercept;
double slope;
LinearRegression(xVal, yVal,0,9, out rsquared, out yintercept, out slope);
Console.WriteLine( yintercept + (slope*15));//15 is xvalue of future(no of day from 1)
Console.ReadKey();
}
public static void LinearRegression(double[] xVals, double[] yVals,
int inclusiveStart, int exclusiveEnd,
out double rsquared, out double yintercept,
out double slope)
{
Debug.Assert(xVals.Length == yVals.Length);
double sumOfX = 0;
double sumOfY = 0;
double sumOfXSq = 0;
double sumOfYSq = 0;
double ssX = 0;
double ssY = 0;
double sumCodeviates = 0;
double sCo = 0;
double count = exclusiveEnd - inclusiveStart;
for (int ctr = inclusiveStart; ctr < exclusiveEnd; ctr++)
{
double x = xVals[ctr];
double y = yVals[ctr];
sumCodeviates += x * y;
sumOfX += x;
sumOfY += y;
sumOfXSq += x * x;
sumOfYSq += y * y;
}
ssX = sumOfXSq - ((sumOfX * sumOfX) / count);
ssY = sumOfYSq - ((sumOfY * sumOfY) / count);
double RNumerator = (count * sumCodeviates) - (sumOfX * sumOfY);
double RDenom = (count * sumOfXSq - (sumOfX * sumOfX))
* (count * sumOfYSq - (sumOfY * sumOfY));
sCo = sumCodeviates - ((sumOfX * sumOfY) / count);
double meanX = sumOfX / count;
double meanY = sumOfY / count;
double dblR = RNumerator / Math.Sqrt(RDenom);
rsquared = dblR * dblR;
yintercept = meanY - ((sCo / ssX) * meanX);
slope = sCo / ssX;
}
    Il fonctionne bien quand je les nourris X tableau avec 0,1,2,3...et le tableau Y sont constitués de façon linéaire progression des valeurs. Je comprends que les valeurs de la matrice X de la distance entre les valeurs du tableau Y, de sorte qu'ils devraient augmenter de façon linéaire ainsi que par Chris Farmer commentaire. Quand je nourris tableau Y avec quelque chose comme: 1,2,3,4,5,6,5,4,3,2,1 il est impossible de prédire correctement plus
    Est-ce parce que cette méthode s'attend "à peu près "progrès linéaire à l'intérieur de tableau Y?
    Whey vous dessinez XY volet, la X&Y les deux sont d'avoir une progression linéaire,
    Par la façon dont @Aristo, est-il de correspondance les valeurs de sortie si vous le placez dans excel et d'appliquer la régression linéaire

    OriginalL'auteur VISHMAY

  2. 4

    Vous n'avez pas besoin des bibliothèques massives. Les formules sont relativement simples.

    Une paire de matrices pour vos données x et y, vous allez calculer le carré de l'ajustement des coefficients comme cette

    Formules (27) et (28) sont les deux que vous le souhaitez. Le codage implique un peu plus que les sommes et sommes de carrés de la saisie de valeurs de tableau.

    Ici est une classe Java et de ses de la classe de test JUnit pour ceux qui veulent plus de détail:

    import java.util.Arrays;
/**
* Simple linear regression example using Wolfram Alpha formulas.
* User: mduffy
* Date: 10/22/2018
* Time: 10:56 AM
* @link https://stackoverflow.com/questions/15623129/simple-linear-regression-for-data-set/15623183?noredirect=1#comment92773017_15623183
*/
public class SimpleLinearRegressionExample {
public static double slope(double [] x, double [] y) {
double slope = 0.0;
if ((x != null) && (y != null) && (x.length == y.length) && (x.length > 0)) {
slope = correlation(x, y)/sumOfSquares(x);
}
return slope;
}
public static double intercept(double [] x, double [] y) {
double intercept = 0.0;
if ((x != null) && (y != null) && (x.length == y.length) && (x.length > 0)) {
double xave = average(x);
double yave = average(y);
intercept = yave-slope(x, y)*xave;
}
return intercept;
}
public static double average(double [] values) {
double average = 0.0;
if ((values != null) && (values.length > 0)) {
average = Arrays.stream(values).average().orElse(0.0);
}
return average;
}
public static double sumOfSquares(double [] values) {
double sumOfSquares = 0.0;
if ((values != null) && (values.length > 0)) {
sumOfSquares = Arrays.stream(values).map(v -> v*v).sum();
double average = average(values);
sumOfSquares -= average*average*values.length;
}
return sumOfSquares;
}
public static double correlation(double [] x, double [] y) {
double correlation = 0.0;
if ((x != null) && (y != null) && (x.length == y.length) && (x.length > 0)) {
for (int i = 0; i < x.length; ++i) {
correlation += x[i]*y[i];
}
double xave = average(x);
double yave = average(y);
correlation -= xave*yave*x.length;
}
return correlation;
}
}

    De la classe de test JUnit:

    import org.junit.Assert;
import org.junit.Test;
/**
* JUnit tests for simple linear regression example.
* User: mduffy
* Date: 10/22/2018
* Time: 11:53 AM
* @link https://stackoverflow.com/questions/15623129/simple-linear-regression-for-data-set/15623183?noredirect=1#comment92773017_15623183
*/
public class SimpleLinearRegressionExampleTest {
public static double tolerance = 1.0e-6;
@Test
public void testAverage_NullArray() {
//setup
double [] x = null;
double expected = 0.0;
//exercise
double actual = SimpleLinearRegressionExample.average(x);
//assert
Assert.assertEquals(expected, actual, tolerance);
}
@Test
public void testAverage_EmptyArray() {
//setup
double [] x = {};
double expected = 0.0;
//exercise
double actual = SimpleLinearRegressionExample.average(x);
//assert
Assert.assertEquals(expected, actual, tolerance);
}
@Test
public void testAverage_Success() {
//setup
double [] x = { 1.0, 2.0, 2.0, 3.0, 4.0, 7.0, 9.0 };
double expected = 4.0;
//exercise
double actual = SimpleLinearRegressionExample.average(x);
//assert
Assert.assertEquals(expected, actual, tolerance);
}
@Test
public void testSumOfSquares_NullArray() {
//setup
double [] x = null;
double expected = 0.0;
//exercise
double actual = SimpleLinearRegressionExample.sumOfSquares(x);
//assert
Assert.assertEquals(expected, actual, tolerance);
}
@Test
public void testSumOfSquares_EmptyArray() {
//setup
double [] x = {};
double expected = 0.0;
//exercise
double actual = SimpleLinearRegressionExample.sumOfSquares(x);
//assert
Assert.assertEquals(expected, actual, tolerance);
}
@Test
public void testSumOfSquares_Success() {
//setup
double [] x = { 1.0, 2.0, 2.0, 3.0, 4.0, 7.0, 9.0 };
double expected = 52.0;
//exercise
double actual = SimpleLinearRegressionExample.sumOfSquares(x);
//assert
Assert.assertEquals(expected, actual, tolerance);
}
@Test
public void testCorrelation_NullX_NullY() {
//setup
double [] x = null;
double [] y = null;
double expected = 0.0;
//exercise
double actual = SimpleLinearRegressionExample.correlation(x, y);
//assert
Assert.assertEquals(expected, actual, tolerance);
}
@Test
public void testCorrelation_DifferentLengths() {
//setup
double [] x = { 1.0, 2.0, 3.0, 5.0, 8.0 };
double [] y = { 0.11, 0.12, 0.13, 0.15, 0.18, 0.20 };
double expected = 0.0;
//exercise
double actual = SimpleLinearRegressionExample.correlation(x, y);
//assert
Assert.assertEquals(expected, actual, tolerance);
}
@Test
public void testCorrelation_Success() {
//setup
double [] x = { 1.0, 2.0, 3.0, 5.0, 8.0 };
double [] y = { 0.11, 0.12, 0.13, 0.15, 0.18 };
double expected = 0.308;
//exercise
double actual = SimpleLinearRegressionExample.correlation(x, y);
//assert
Assert.assertEquals(expected, actual, tolerance);
}
@Test
public void testSlope() {
//setup
double [] x = { 1.0, 2.0, 3.0, 4.0 };
double [] y = { 6.0, 5.0, 7.0, 10.0 };
double expected = 1.4;
//exercise
double actual = SimpleLinearRegressionExample.slope(x, y);
//assert
Assert.assertEquals(expected, actual, tolerance);
}
@Test
public void testIntercept() {
//setup
double [] x = { 1.0, 2.0, 3.0, 4.0 };
double [] y = { 6.0, 5.0, 7.0, 10.0 };
double expected = 3.5;
//exercise
double actual = SimpleLinearRegressionExample.intercept(x, y);
//assert
Assert.assertEquals(expected, actual, tolerance);
}
}
    Que "relativement simple" formule me fait caca un peu
    Vous ne devriez pas avoir peur. C'est un peu plus que l'ajout de sommes de listes de nombres.
    C'est parce que la syntaxe utilisée n'est pas immédiatement intuitive pour les lecteurs qui ne sont pas familier avec elle. C'est un grand cas où un exemple simple serait de simplifier considérablement la compréhension.
    Je suppose que ce n'était pas clair pour moi ce que la cuillère de taille a été nécessaire pour nourrir ce quand je l'ai écrit il y a cinq ans.
    Taille en octets de cuillères sont toujours utiles. 😉

    OriginalL'auteur duffymo