我一直在尝试在 Ruby 中实现局部加权逻辑回归算法。据我所知，这个算法目前没有库，可用的资料也很少，所以很难。
我的主要资源是 dissertation of Dr. Kan Deng ，其中他以我认为非常详细的方式描述了算法。到目前为止，我在图书馆的工作是 here .
我在尝试计算 B(测试版)时遇到了麻烦。据我了解，B 是一个 (1+d x 1) 向量，表示特定点的局部权重。之后，该点的pi(正输出的概率)是基于该点的B的sigmoid函数。要得到 B，请递归使用 Newton-Raphson 算法一定次数，可能不超过 10 次。
第 66 页的公式 4-4，牛顿-拉夫森算法本身，对我来说没有意义。根据我对 X 和 W 的理解，(x.transpose * w * x).inverse * x.transpose * w 应该是 (1 +d x N) 矩阵，与 B 不匹配，即 (1+d x 1)。唯一可行的方法是，如果 e 是一个 (N x 1) 向量。
不过，在第 67 页的顶部，在图片下方，邓博士只是说 e 是比率，这对我来说没有意义。 e 是 Euler 常数，恰好该比率始终为 2.718:1，还是其他？无论哪种方式，对我来说，解释似乎都没有暗示它是一个向量，这让我感到困惑。
pi' 的使用也让我感到困惑。公式 4-5，sigmoid 函数的导数 w.r.t. B，给出一个常数乘以一个向量，或者一个向量。不过，根据我的理解，pi' 应该只是一个数字，乘以 w 并形成权重算法 W 的对角线。
所以，我的两个主要问题是，第 67 页的 e 是什么，我需要的是 1xN 矩阵，pi' 等式 4-5 的末尾是一个数字？
我意识到这是一个很难回答的问题，所以如果有一个好的答案，我会在几天后回来并给予它 50 点赏金。我想给邓博士发一封电子邮件，但我一直没能查到他在 1997 年之后发生了什么。
如果有人对此算法有任何经验或知道任何其他资源，我们将不胜感激!
最佳答案
据我所知，这只是 Logistic 回归的一个版本，其中对数似然函数中的项具有乘法权重，具体取决于它们与您尝试分类的点的距离。我将从熟悉逻辑回归的解释开始，例如 http://czep.net/stat/mlelr.pdf .您提到的“e”似乎与欧拉常数完全无关 - 我认为他使用 e 表示错误。
如果您可以从 Ruby 调用 Java，则可以使用 Weka 中描述的逻辑分类器 http://weka.sourceforge.net/doc.stable/weka/classifiers/functions/Logistic.html - 这表示“虽然原始逻辑回归不处理实例权重，但我们稍微修改算法以处理实例权重。”如果不出意外，您可以下载它并查看其源代码。如果您这样做，请注意这是一种相当复杂的方法 - 例如，他们会事先检查所有点是否实际上位于输入空间的某个子空间中，如果确实存在，则向下投影几个维度。
关于algorithm - 局部加权逻辑回归，我们在Stack Overflow上找到一个类似的问题： https://stackoverflow.com/questions/12878058/