我想用pykalman模块计算线性拟合的斜率和截距

Question

考虑Y对X的线性回归，其中(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。

我想使用 pykalman模块来计算线性拟合的斜率和截距。我越来越

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

我真的很感激，如果有人能帮助我。

这里是我的代码：

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

下面的代码片段：

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选择大，因为我们根本不知道我们的filter_state_mean最初和意见都只是[Y1 ]，[Y2]，[Y3]。 Observation_matrix是[[x1,1]，[x2,1]，[x3,1]]，因此将第二个元素作为我们的截距。想象一下，像这样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（）（在迭代循环中）的filtered_state_mean，因为我们现在知道平均值位于filtered_state_covariance = filtered_state_covariances的位置。迭代1000次，将平均值转化为实际价值。如果您想了解的功能/方法使用的链接是：https://pykalman.github.io/

如果系统状态不测量（也称为空洞的运动步骤）之间切换，然后transition_matrixφ=一

我不知道我现在要说的是否是真的。所以请纠正我，如果我错了

observation_covariance矩阵必须是大小m x m其中m是观察的数量（在我们的情况下= 3）。对角元素只是方差我相信方差_y1，方差_y2和方差_y3和非对角元素是协方差。例如，矩阵中的元素（1,2）是y1的标准偏差，（COMMA NOT PRODUCT）的标准偏差为y2，等于元素（2,1）。对其他元素也是如此。有人可以帮助我在x1，x2和x3中包含不确定性。我的意思是你如何在上面的代码中实现x的不确定性。