scipy.optimize.

isotonic_regression#

scipy.optimize.isotonic_regression(y, *, weights=None, increasing=True)[源代码]#

非参数保序回归。

通过相邻违规池算法 (PAVA) 计算出一个（非严格）单调递增的数组 x，其长度与 y 相同，详见 [1]。更多详情请参阅“说明”部分。

参数:

y(N,) array_like（类数组）: 响应变量。
weights(N,) array_like（类数组）或 None: 案例权重。
increasing布尔值: 如果为 True，则拟合单调递增（即保序）回归。如果为 False，则拟合单调递减（即反序）回归。默认为 True。

返回:

resOptimizeResult 对象

优化结果表示为一个 OptimizeResult 对象。重要属性包括：

x: 保序回归解，即与 y 长度相同的递增（或递减）数组，其元素范围介于 min(y) 和 max(y) 之间。
weights : 包含每个块（或池）B 的案例权重总和的数组。
blocks: 长度为 B+1 的数组，包含每个块（或池）B 的起始位置索引。第 j 个块由 x[blocks[j]:blocks[j+1]] 给出，其中所有值都相同。

说明

给定数据 \(y\) 和案例权重 \(w\)，保序回归解决了以下优化问题：

\[\operatorname{argmin}_{x_i} \sum_i w_i (y_i - x_i)^2 \quad \text{subject to } x_i \leq x_j \text{ whenever } i \leq j \,.\]

对于每个输入值 \(y_i\)，它会生成一个值 \(x_i\)，使得 \(x\) 是递增的（但非严格），即 \(x_i \leq x_{i+1}\)。这通过 PAVA 实现。解决方案由池或块组成，即 \(x\) 的相邻元素，例如 \(x_i\) 和 \(x_{i+1}\)，它们都具有相同的值。

最有趣的是，如果将平方损失替换为 Bregman 函数的广泛类别，即均值的唯一严格一致评分函数类别，则解决方案保持不变，详见 [2] 及其中引用的文献。

根据 [1] 实现的 PAVA 版本，其计算复杂度为 O(N)，其中 N 为输入大小。

参考文献

[1] (1,2)

Busing, F. M. T. A. (2022). Monotone Regression: A Simple and Fast O(n) PAVA Implementation. Journal of Statistical Software, Code Snippets, 102(1), 1-25. DOI:10.18637/jss.v102.c01

[2]

Jordan, A.I., Mühlemann, A. & Ziegel, J.F. Characterizing the optimal solutions to the isotonic regression problem for identifiable functionals. Ann Inst Stat Math 74, 489-514 (2022). DOI:10.1007/s10463-021-00808-0

示例

此示例演示了 isotonic_regression 确实解决了受约束的优化问题。

>>> import numpy as np
>>> from scipy.optimize import isotonic_regression, minimize
>>> y = [1.5, 1.0, 4.0, 6.0, 5.7, 5.0, 7.8, 9.0, 7.5, 9.5, 9.0]
>>> def objective(yhat, y):
...     return np.sum((yhat - y)**2)
>>> def constraint(yhat, y):
...     # This is for a monotonically increasing regression.
...     return np.diff(yhat)
>>> result = minimize(objective, x0=y, args=(y,),
...                   constraints=[{'type': 'ineq',
...                                 'fun': lambda x: constraint(x, y)}])
>>> result.x
array([1.25      , 1.25      , 4.        , 5.56666667, 5.56666667,
       5.56666667, 7.8       , 8.25      , 8.25      , 9.25      ,
       9.25      ])
>>> result = isotonic_regression(y)
>>> result.x
array([1.25      , 1.25      , 4.        , 5.56666667, 5.56666667,
       5.56666667, 7.8       , 8.25      , 8.25      , 9.25      ,
       9.25      ])

与调用 minimize 相比，isotonic_regression 的巨大优势在于它更易于使用，即无需定义目标函数和约束函数，而且它的速度快了几个数量级。在商用硬件（2023 年）上，对于长度为 1000 的正态分布输入 y，minimizer 大约需要 4 秒，而 isotonic_regression 大约需要 200 微秒。