Question

考虑Y X的线性回归，(xi, yi) = (2, 7), (0, 2), (5, 14) for i = 1, 2, 3。解决方案是(a, b) = (2.395, 2.079)，使用手持计算器上的回归函数获得。

我想用斜率计算斜率和线性拟合的截距 pykalman模块。我得到了

ValueError: The shape of all parameters is not consistent.  Please re-check their values.

如果有人能帮助我，我真的很感激。

这是我的代码：

from pykalman import KalmanFilter
import numpy as np

measurements = np.asarray([[7], [2], [14]])

initial_state_matrix = [[1], [1]]

transition_matrix = [[1, 0], [0, 1]]

observation_covariance_matrix = [[1, 0],[0, 1]]

observation_matrix = [[2, 1], [0, 1], [5, 1]]

kf1 = KalmanFilter(n_dim_state=2, n_dim_obs=6, 
                   transition_matrices=transition_matrix, 
                   observation_matrices=observation_matrix, 
                   initial_state_mean=initial_state_matrix, 
                   observation_covariance=observation_covariance_matrix)

kf1 = kf1.em(measurements, n_iter=0)

(smoothed_state_means, smoothed_state_covariances) = kf1.smooth(measurements)

print smoothed_state_means

Answer 1

以下是代码段：

from pykalman import KalmanFilter

import numpy as np

kf = KalmanFilter()

(filtered_state_means, filtered_state_covariances) = kf.filter_update(filtered_state_mean = [[0],[0]], filtered_state_covariance = [[90000,0],[0,90000]], observation=np.asarray([[7],[2],[14]]),transition_matrix = np.asarray([[1,0],[0,1]]), observation_matrix = np.asarray([[2,1],[0,1],[5,1]]), observation_covariance = np.asarray([[.1622,0,0],[0,.1622,0],[0,0,.1622]]))

print filtered_state_means

print filtered_state_covariances

for x in range(0, 1000):

    (filtered_state_means, filtered_state_covariances) = kf.filter_update(filtered_state_mean = filtered_state_means, filtered_state_covariance = filtered_state_covariances, observation=np.asarray([[7],[2],[14]]),transition_matrix = np.asarray([[1,0],[0,1]]), observation_matrix = np.asarray([[2,1],[0,1],[5,1]]), observation_covariance = np.asarray([[.1622,0,0],[0,.1622,0],[0,0,.1622]]))

print filtered_state_means

print filtered_state_covariances

filtered_state_covariance选择得很大，因为我们不知道我们的filter_state_mean最初在哪里，观察只是[[y1]，[y2]，[y3]]。 Observation_matrix是[[x1,1]，[x2,1]，[x3,1]]因此给出第二个元素作为我们的截距。想象一下，这样y1 = m * x1 + c其中m和c分别是斜率和截距。在我们的例子中，filtered_state_mean = [[m]，[c]]。请注意，新的filtered_state_means用作新的kf.filter_update（）的filter_state_mean（在迭代循环中），因为我们现在知道filter_state_covariance = filtered_state_covariances的平均值。迭代1000次将均值收敛到实际值。如果您想了解所使用的功能/方法，则链接为：https://pykalman.github.io/

如果系统状态在测量之间没有变化（也称为真空运动步骤），则transition_matrixφ= I.

我不确定我现在要说的是不是真的。如果我错了，请纠正我

observation_covariance矩阵的大小必须为m x m，其中m是观测数（在我们的例子中= 3）。对角元素只是方差我认为variance_y1，variance_y2和variance_y3以及非对角线元素是协方差。例如，矩阵中的元素（1,2）是y1的标准偏差，（COMMA NOT PRODUCT）标准偏差y2并且等于元素（2,1）。同样适用于其他要素。有人可以帮助我在x1，x2和x3中包含不确定性。我的意思是如何在上面的代码中实现x中的不确定性。

我想用pykalman模块计算线性拟合的斜率和截距

1 个答案: