[英]How to use NNLS for non-negative multiple linear regression?
我正在尝试解决Java中的非负多重线性回归问题。 我找到了用Scala编写的求解器类org.apache.spark.mllib.optimization.NNLS
。 但是,我不知道该如何使用。
让我感到困惑的是,以下方法的界面似乎很奇怪。 我以为A
是一个MxN矩阵, b
是一个M向量,自变量ata
和atb
应该分别是NxN矩阵和N向量。 但是, ata
的实际类型是double[]
。
public static double[] solve(double[] ata, double[] atb, NNLS.Workspace ws)
我搜索了示例代码,但找不到。 谁能给我示例代码? 该库是用Scala编写的,但如果可能,我需要Java代码。
免责声明我从未使用过NNLS
而且对非负多元线性回归一无所知。
您将看到Spark 2.1.1的NNLS
您的要求,但是自从最新的Spark 2.2.1标记为private [spark]以来, 这并不是走的路。
private[spark] object NNLS {
更重要的是,从Spark 2.0开始, org.apache.spark.mllib
软件包(包括NNLS
所属的org.apache.spark.mllib.optimization
)处于维护模式 :
基于MLlib RDD的API现在处于维护模式。
从Spark 2.0开始,spark.mllib软件包中基于RDD的API已进入维护模式。 Spark的主要机器学习API现在是spark.ml软件包中基于DataFrame的API。
换句话说,您应该远离软件包,尤其是NNLS
。
那有什么选择呢?
您可以查看NNLS
的测试,即NNLSSuite ,可以在其中找到一些答案。
但是,ata的实际类型是double []。
那是一个矩阵,因此元素再次加倍。 实际上, ata
直接传递给BLAS的dgemv
( 在此处和此处 ),在LAPACK文档中进行了描述:
DGEMV执行矩阵矢量运算之一
y := alpha*A*x + beta*y, or y := alpha*A**T*x + beta*y,
其中alpha和beta是标量,x和y是向量,A是m×n矩阵。
那应该给你足够的答案。
另一个问题是Spark MLlib中用于类似NNLS
的计算的推荐方式是什么?
看起来Spark MLLib的ALS算法在幕后使用了 NNLS
(对于机器学习从业人员来说并不奇怪)。
当ALS配置为在非负参数打开(即为true
(默认为禁用)时训练模型时,将使用该部分代码。
非负参数是否应用非负约束。
默认值:false
是否对最小二乘使用非负约束
我建议您回顾一下Spark MLlib的这一部分,以更深入地了解NNLS
在解决非负线性回归问题中的用途。
我写了一个测试代码。 尽管我Failed to load implementation from: com.github.fommil.netlib.NativeSystemBLAS
收到了诸如Failed to load implementation from: com.github.fommil.netlib.NativeSystemBLAS
类的警告,但在简单情况下它Failed to load implementation from: com.github.fommil.netlib.NativeSystemBLAS
很好地工作,但是当m
非常大(约3000)时, beta
经常变为0。
package test;
import org.apache.spark.mllib.optimization.NNLS;
public class NNLSTest {
public static void main(String[] args) {
int n = 6, m = 300;
ExampleInMatLabDoc();
AllPositiveBetaNoiseInY(n, m);
SomeNegativesInBeta(n, m);
NoCorrelation(n, m);
}
private static void test(double[][] X, double[] y, double[] b) {
int m = X.length; int n = X[0].length;
double[] Xty = new double[n];
for (int i = 0; i < n; i++) {
Xty[i] = 0.0;
for (int j = 0; j < m; j++) Xty[i] += X[j][i] * y[j];
}
double[] XtX = new double[n * n];
for (int i = 0; i < n; i++) {
for (int j = 0; j < n; j++) {
XtX[n * i + j] = 0.0;
for (int k = 0; k < m; k++) XtX[n * i + j] += X[k][i] * X[k][j];
}
}
double[] beta = NNLS.solve(XtX, Xty, NNLS.createWorkspace(n));
System.out.println("\ntrue beta\tbeta");
for (int i = 0; i < beta.length; i++) System.out.println(b[i] + "\t" + beta[i]);
}
private static void ExampleInMatLabDoc() {
// https://jp.mathworks.com/help/matlab/ref/lsqnonneg.html
double[] y = new double[] { 0.8587, 0.1781, 0.0747, 0.8405 };
double[][] x = new double[4][];
x[0] = new double[] { 0.0372, 0.2869 };
x[1] = new double[] { 0.6861, 0.7071 };
x[2] = new double[] { 0.6233, 0.6245 };
x[3] = new double[] { 0.6344, 0.6170 };
double[] b = new double[] { 0.0, 0.6929 };
test(x, y, b);
}
private static void AllPositiveBetaNoiseInY(int n, int m) {
double[] b = new double[n];
for (int i = 0; i < n; i++) b[i] = Math.random() * 100.0; // random value in [0:100]
double[] y = new double[m];
double[][] x = new double[m][];
for (int i = 0; i < m; i++) {
x[i] = new double[n];
x[i][0] = 1.0;
y[i] = b[0];
for (int j = 1; j < n; j++) {
x[i][j] = (2.0 * Math.random() - 1.0) * 100.0; // random value in [-100:100]
y[i] += x[i][j] * b[j];
}
y[i] *= 1.0 + (2.0 * Math.random() - 1.0) * 0.1; // add noise
}
test(x, y, b);
}
private static void SomeNegativesInBeta(int n, int m) {
double[] b = new double[n];
for (int i = 0; i < n; i++) b[i] = (2.0 * Math.random() - 1.0) * 100.0; // random value in [-100:100]
double[] y = new double[m];
double[][] x = new double[m][];
for (int i = 0; i < m; i++) {
x[i] = new double[n];
x[i][0] = 1.0;
y[i] = b[0];
for (int j = 1; j < n; j++) {
x[i][j] = (2.0 * Math.random() - 1.0) * 100.0; // random value in [-100:100]
y[i] += x[i][j] * b[j];
}
}
test(x, y, b);
}
private static void NoCorrelation(int n, int m) {
double[] y = new double[m];
double[][] x = new double[m][];
for (int i = 0; i < m; i++) {
x[i] = new double[n];
x[i][0] = 1.0;
for (int j = 1; j < n; j++)
x[i][j] = (2.0 * Math.random() - 1.0) * 100.0; // random value in [-100:100]
y[i] = (2.0 * Math.random() - 1.0) * 100.0;
}
double[] b = new double[n];
for (int i = 0; i < n; i++) b[i] = 0;
test(x, y, b);
}
}
声明:本站的技术帖子网页,遵循CC BY-SA 4.0协议,如果您需要转载,请注明本站网址或者原文地址。任何问题请咨询:yoyou2525@163.com.