Free cookie consent management tool by TermsFeed Policy Generator

Changeset 15364


Ignore:
Timestamp:
09/15/17 18:20:14 (7 years ago)
Author:
gkronber
Message:

#2789 experimenting with GAMs and Splines

Location:
branches/MathNetNumerics-Exploration-2789/HeuristicLab.Algorithms.DataAnalysis.Experimental
Files:
1 added
2 edited

Legend:

Unmodified
Added
Removed
  • branches/MathNetNumerics-Exploration-2789/HeuristicLab.Algorithms.DataAnalysis.Experimental/HeuristicLab.Algorithms.DataAnalysis.Experimental.csproj

    r15362 r15364  
    134134  <ItemGroup>
    135135    <Compile Include="ForwardSelection.cs" />
     136    <Compile Include="GAM.cs" />
    136137    <Compile Include="RBF.cs" />
    137138    <Compile Include="Splines.cs" />
  • branches/MathNetNumerics-Exploration-2789/HeuristicLab.Algorithms.DataAnalysis.Experimental/Splines.cs

    r15362 r15364  
    3737using HeuristicLab.Problems.DataAnalysis.Symbolic.Regression;
    3838using MathNet.Numerics.Interpolation;
     39using MathNet.Numerics.LinearAlgebra.Double;
     40using MathNet.Numerics.LinearAlgebra.Double.Solvers;
    3941
    4042namespace HeuristicLab.Algorithms.DataAnalysis.Experimental {
     
    6668          "LogLinear (Math.NET)",
    6769          "Common (Math.NET)",
     70          "Smoothing Spline (Mine)",
     71          "Smoothing Spline (Reinsch)",
    6872      }.Select(s => new StringValue(s)));
    6973
    7074      Parameters.Add(new ConstrainedValueParameter<StringValue>("Type", "The type of spline (as supported by alglib)", validTypes, validTypes.First()));
     75      Parameters.Add(new ValueParameter<DoubleValue>("Lambda", "Regularization parameter for smoothing splines (0..+inf)", new DoubleValue(100)));
    7176      Problem = new RegressionProblem();
    7277    }
     
    8994        switch (type) {
    9095          case "Monotone":
    91             alglib.spline1dbuildmonotone(x, y, out c); 
     96            alglib.spline1dbuildmonotone(x, y, out c);
    9297            AddAlglibSplineResult(c, inputVars);
    9398            break;
     
    132137              break;
    133138            }
     139          case "Smoothing Spline (Mine)": {
     140              CalculateSmoothingSpline(x, y, inputVars);
     141              break;
     142            }
     143          case "Smoothing Spline (Reinsch)": {
     144              CalculateSmoothingSplineReinsch(x, y, inputVars);
     145              break;
     146            }
    134147          default: throw new NotSupportedException();
    135148        }
    136149
    137150      }
     151    }
     152
     153    // array with non-zero lower index
     154    private class MyArray<T> {
     155      private T[] arr;
     156      private int lowerBound;
     157
     158      public T this[int key] {
     159        get {
     160          return arr[key - lowerBound];
     161        }
     162        set {
     163          arr[key - lowerBound] = value;
     164        }
     165      }
     166
     167      public MyArray(int lowerBound, int numElements) {
     168        this.lowerBound = lowerBound;
     169        arr = new T[numElements];
     170      }
     171      public MyArray(int lowerBound, T[] source) : this(lowerBound, source.Length) {
     172        Array.Copy(source, arr, source.Length);
     173      }
     174
     175      public T[] ToArray() {
     176        var res = new T[arr.Length];
     177        Array.Copy(arr, res, res.Length);
     178        return res;
     179      }
     180    }
     181
     182    public void CalculateSmoothingSplineReinsch(double[] xOrig, double[] yOrig, string[] inputVars) {
     183      double s = ((IValueParameter<DoubleValue>)Parameters["Lambda"]).Value.Value; // controls extent of smoothing
     184
     185      var model = CalculateSmoothingSplineReinsch(xOrig, yOrig, inputVars, s, Problem.ProblemData.TargetVariable);
     186
     187      Results.Add(new Result("Solution", new RegressionSolution(model, (IRegressionProblemData)Problem.ProblemData.Clone())));
     188
     189
     190    }
     191
     192    public static IRegressionModel CalculateSmoothingSplineReinsch(double[] xOrig, double[] yOrig, string[] inputVars, double s, string targetVar) {
     193      var minX = xOrig.Min();
     194      var maxX = xOrig.Max();
     195      var range = maxX - minX;
     196
     197      SortAndBin(xOrig, yOrig, out xOrig, out yOrig, scaling: true);
     198
     199      // See Smoothing by Spline Functions, Reinsch, 1967
     200      // move x and y into an array indexed with 1..n to match indexing in Reinsch paper
     201      int n = xOrig.Length;
     202      var x = new MyArray<double>(1, xOrig);
     203      var y = new MyArray<double>(1, yOrig);
     204      var inv_dy = new MyArray<double>(1, Enumerable.Repeat(1.0, n).ToArray()); // equal weights
     205
     206      int n1 = 1;
     207      int n2 = n - 1;
     208
     209      // results
     210      var a = new MyArray<double>(n1, n);
     211      var b = new MyArray<double>(n1, n);
     212      var c = new MyArray<double>(n1, n);
     213      var d = new MyArray<double>(n1, n);
     214
     215      // smooth
     216      {
     217        int i, m1, m2; double e, f, f2, g = 0.0, h, p;
     218        MyArray<double>
     219          r = new MyArray<double>(n1 - 1, n + 2),
     220          r1 = new MyArray<double>(n1 - 1, n + 2),
     221          r2 = new MyArray<double>(n1 - 1, n + 2),
     222          t = new MyArray<double>(n1 - 1, n + 2),
     223          t1 = new MyArray<double>(n1 - 1, n + 2),
     224          u = new MyArray<double>(n1 - 1, n + 2),
     225          v = new MyArray<double>(n1 - 1, n + 2);
     226        m1 = n1 - 1;
     227        m2 = n2 + 1;
     228        r[m1] = r[n1] = r1[n2] = r2[n2] = r2[m2] =
     229          u[m1] = u[n1] = u[n2] = u[m2] = p = 0.0;
     230        m1 = n1 + 1;
     231        m2 = n2 - 1;
     232        h = x[m1] - x[n1]; f = (y[m1] - y[n1]) / h;
     233        for (i = m1; i <= m2; i++) {
     234          g = h; h = x[i + 1] - x[i];
     235          e = f; f = (y[i + 1] - y[i]) / h;
     236          a[i] = f - e; t[i] = 2 * (g + h) / 3; t1[i] = h / 3;
     237          r2[i] = inv_dy[i - 1] / g; r[i] = inv_dy[i + 1] / h;
     238          r1[i] = -inv_dy[i] / g - inv_dy[i] / h;
     239        }
     240        for (i = m1; i <= m2; i++) {
     241          b[i] = r[i] * r[i] + r1[i] * r1[i] + r2[i] * r2[i];
     242          c[i] = r[i] * r1[i + 1] + r1[i] * r2[i + 1];
     243          d[i] = r[i] * r2[i + 2];
     244        }
     245        f2 = -s;
     246        next:
     247        for (i = m1; i <= m2; i++) {
     248          r1[i - 1] = f * r[i - 1]; r2[i - 2] = g * r[i - 2];
     249          r[i] = 1 / (p * b[i] + t[i] - f * r1[i - 1] - g * r2[i - 2]);
     250          u[i] = a[i] - r1[i - 1] * u[i - 1] - r2[i - 2] * u[i - 2];
     251          f = p * c[i] + t1[i] - h * r1[i - 1]; g = h; h = d[i] * p;
     252        }
     253        for (i = m2; i >= m1; i--) {
     254          u[i] = r[i] * u[i] - r1[i] * u[i + 1] - r2[i] * u[i + 2];
     255        }
     256        e = h = 0;
     257        for (i = n1; i <= m2; i++) {
     258          g = h; h = (u[i + 1] - u[i]) / (x[i + 1] - x[i]);
     259          v[i] = (h - g) * inv_dy[i] * inv_dy[i]; e = e + v[i] * (h - g);
     260        }
     261        g = v[n2] = -h * inv_dy[n2] * inv_dy[n2]; e = e - g * h;
     262        g = f2; f2 = e * p * p;
     263        if (f2 >= s || f2 <= g) goto fin;
     264        f = 0; h = (v[m1] - v[n1]) / (x[m1] - x[n1]);
     265        for (i = m1; i <= m2; i++) {
     266          g = h; h = (v[i + 1] - v[i]) / (x[i + 1] - x[i]);
     267          g = h - g - r1[i - 1] * r[i - 1] - r2[i - 2] * r[i - 2];
     268          f = f + g * r[i] * g; r[i] = g;
     269        }
     270        h = e - p * f; if (h <= 0) goto fin;
     271        p = p + (s - f2) / ((Math.Sqrt(s / e) + p) * h); goto next;
     272
     273        fin:
     274        for (i = n1; i <= n2; i++) {
     275          a[i] = y[i] - p * v[i];
     276          c[i] = u[i];
     277        }
     278        for (i = n1; i <= m2; i++) {
     279          h = x[i + 1] - x[i];
     280          d[i] = (c[i + 1] - c[i]) / (3 * h);
     281          b[i] = (a[i + 1] - a[i]) / h - (h * d[i] + c[i]) * h;
     282        }
     283      }
     284
     285      return new ReinschSmoothingSplineModel(a.ToArray(), b.ToArray(), c.ToArray(), d.ToArray(), xOrig, targetVar, inputVars, minX, 1.0 / range);
     286    }
     287
     288    private void CalculateSmoothingSpline(double[] x, double[] y, string[] inputVars) {
     289      // see Smoothing and Non-Parametric Regression, Germán Rodríguez, 2001 2.3.1
     290      SortAndBin(x, y, out x, out y, scaling: false);
     291      int n = x.Length;
     292
     293      SparseMatrix delta = new SparseMatrix(n - 2, n);
     294      // double[,] delta = new double[n - 2, n];
     295      //double[,] W = new double[n - 2, n - 2];
     296      SparseMatrix W = new SparseMatrix(n - 2, n - 2);
     297      Matrix WInvD = new DenseMatrix(n - 2, n);
     298
     299      // double[,] W_inv_D = new double[n - 2, n];
     300      // double[,] K = new double[n, n];
     301
     302      // go over successive knots to determine distances and fill Delta and W
     303      for (int i = 0; i < n - 2; i++) {
     304        double h = x[i + 1] - x[i];
     305        double h_next = x[i + 2] - x[i + 1];
     306        delta[i, i] = 1.0 / h;
     307        delta[i, i + 1] = -1.0 / h - 1.0 / h_next;
     308        delta[i, i + 2] = 1.0 / h_next;
     309        W[i, i] = (h + h_next) / 3;
     310        if (i > 0) {
     311          W[i - 1, i] =
     312           W[i, i - 1] = h / 6.0;
     313        }
     314      }
     315
     316      var solvResult = W.TrySolveIterative(delta, WInvD, new MlkBiCgStab());
     317
     318      // alglib.ablas.rmatrixgemm(n - 2, n, n - 2, 1.0, W, 0, 0, 0, delta, 0, 0, 0, 1.0, W_inv_D, 0, 0); // W^-1(M = n-2, K = n-2) D(K = n-2, N=n)   
     319      // alglib.ablas.rmatrixgemm(n, n, n - 2, 1.0, delta, 0, 0, 1, W_inv_D, 0, 0, 0, 1.0, K, 0, 0); // D(M=n-2, K=n)^T * W^-1D (K=n, N=n-2)
     320
     321      var K = delta.TransposeThisAndMultiply(WInvD);
     322
     323      double lambda = ((IValueParameter<DoubleValue>)Parameters["Lambda"]).Value.Value;
     324
     325      for (int i = 0; i < n; i++) {
     326        for (int j = 0; j < n; j++) {
     327          K[i, j] *= lambda;
     328          if (i == j) K[i, j] += 1;
     329        }
     330      }
     331
     332      // solve for y
     333      // double[] s;
     334      // int solverInfo;
     335      // alglib.densesolverreport solverRep;
     336      // alglib.rmatrixsolve(K, n, y, out solverInfo, out solverRep, out s);
     337
     338      var s = K.Solve(new DenseVector(y)).ToArray();
     339
     340      Results.Add(new Result("Solution", new RegressionSolution(new SmoothingSplineModel(s, x, Problem.ProblemData.TargetVariable, inputVars),
     341 (IRegressionProblemData)Problem.ProblemData.Clone())));
     342    }
     343
     344    private static void SortAndBin(double[] x, double[] y, out double[] x2, out double[] y2, bool scaling = false) {
     345      // sort y by x
     346      Array.Sort(x, y);
     347
     348      var xl = new List<double>();
     349      var yl = new List<double>();
     350
     351      int n = x.Length;
     352      var range = x[n - 1] - x[0];
     353      var binSize = range / n / 20;
     354      {
     355        // binning
     356        int i = 0;
     357        while (i < n) {
     358          int k = 0;
     359          int j = i;
     360          double sumX = 0.0;
     361          double sumY = 0.0;
     362          while (j < n && x[j] - x[i] <= binSize) {
     363            k++;
     364            sumX += x[j];
     365            sumY += y[j];
     366            j++;
     367          }
     368          var avgX = sumX / k;
     369          if (scaling) avgX = (avgX - x[0]) / range;
     370          xl.Add(avgX);     // scale
     371          yl.Add(sumY / k);
     372          i += k;
     373        }
     374      }
     375
     376      x2 = xl.ToArray();
     377      y2 = yl.ToArray();
    138378    }
    139379
     
    146386      Results.Add(new Result("Solution", new RegressionSolution(new MathNetSplineModel(c, Problem.ProblemData.TargetVariable, inputVars),
    147387        (IRegressionProblemData)Problem.ProblemData.Clone())));
    148 
    149388    }
    150389  }
    151390
     391
     392
     393  // UNFINISHED
     394  public class ReinschSmoothingSplineModel : NamedItem, IRegressionModel {
     395    private double[] a;
     396    private double[] b;
     397    private double[] c;
     398    private double[] d;
     399    private double[] x;
     400    private double offset;
     401    private double scale;
     402
     403    public string TargetVariable { get; set; }
     404
     405    public IEnumerable<string> VariablesUsedForPrediction { get; private set; }
     406
     407    public event EventHandler TargetVariableChanged;
     408
     409    public ReinschSmoothingSplineModel(ReinschSmoothingSplineModel orig, Cloner cloner) : base(orig, cloner) {
     410      this.TargetVariable = orig.TargetVariable;
     411      this.VariablesUsedForPrediction = orig.VariablesUsedForPrediction.ToArray();
     412      this.a = orig.a;
     413      this.b = orig.b;
     414      this.c = orig.c;
     415      this.d = orig.d;
     416      this.x = orig.x;
     417      this.scale = orig.scale;
     418      this.offset = orig.offset;
     419    }
     420    public ReinschSmoothingSplineModel(double[] a, double[] b, double[] c, double[] d, double[] x, string targetVar, string[] inputs, double offset, double scale) : base("SplineModel", "SplineModel") {
     421      this.a = a;
     422      this.b = b;
     423      this.c = c;
     424      this.d = d;
     425      this.x = x;
     426      this.TargetVariable = targetVar;
     427      this.VariablesUsedForPrediction = inputs;
     428      this.scale = scale;
     429      this.offset = offset;
     430    }
     431
     432    public override IDeepCloneable Clone(Cloner cloner) {
     433      return new ReinschSmoothingSplineModel(this, cloner);
     434    }
     435
     436    public IRegressionSolution CreateRegressionSolution(IRegressionProblemData problemData) {
     437      return new RegressionSolution(this, (IRegressionProblemData)problemData.Clone());
     438    }
     439
     440    public IEnumerable<double> GetEstimatedValues(IDataset dataset, IEnumerable<int> rows) {
     441      int n = x.Length;
     442      foreach (var xx in dataset.GetDoubleValues(VariablesUsedForPrediction.First(), rows).Select(xi => (xi - offset) * scale)) {
     443        if (xx < x[0]) yield return a[0];
     444        else if (xx >= x[n - 1]) yield return a[n - 2];
     445        else {
     446          // binary search
     447          int lower = 0;
     448          int upper = n - 1;
     449          while (true) {
     450            if (upper < lower) throw new InvalidProgramException();
     451            int i = lower + (upper - lower) / 2;
     452            if (x[i] <= xx && xx < x[i + 1]) {
     453              double h = xx - x[i];
     454              yield return a[i] + h * (b[i] + h * (c[i] + h * d[i]));
     455              break;
     456            } else if (xx < x[i]) {
     457              upper = i - 1;
     458            } else {
     459              lower = i + 1;
     460            }
     461          }
     462        }
     463      }
     464    }
     465  }
     466
     467  // UNFINISHED
     468  public class SmoothingSplineModel : NamedItem, IRegressionModel {
     469    private double[] s;
     470    private IInterpolation interpolation;
     471
     472    public string TargetVariable { get; set; }
     473
     474    public IEnumerable<string> VariablesUsedForPrediction { get; private set; }
     475
     476    public event EventHandler TargetVariableChanged;
     477
     478    public SmoothingSplineModel(SmoothingSplineModel orig, Cloner cloner) : base(orig, cloner) {
     479      this.TargetVariable = orig.TargetVariable;
     480      this.VariablesUsedForPrediction = orig.VariablesUsedForPrediction.ToArray();
     481      this.s = orig.s; // TODO
     482      this.interpolation = orig.interpolation;
     483    }
     484    public SmoothingSplineModel(double[] s, double[] x, string targetVar, string[] inputs) : base("SplineModel", "SplineModel") {
     485      this.s = s;
     486      this.TargetVariable = targetVar;
     487      this.VariablesUsedForPrediction = inputs;
     488      this.interpolation = MathNet.Numerics.Interpolate.CubicSpline(x, s);
     489    }
     490
     491    public override IDeepCloneable Clone(Cloner cloner) {
     492      return new SmoothingSplineModel(this, cloner);
     493    }
     494
     495    public IRegressionSolution CreateRegressionSolution(IRegressionProblemData problemData) {
     496      return new RegressionSolution(this, (IRegressionProblemData)problemData.Clone());
     497    }
     498
     499    public IEnumerable<double> GetEstimatedValues(IDataset dataset, IEnumerable<int> rows) {
     500      foreach (var x in dataset.GetDoubleValues(VariablesUsedForPrediction.First(), rows)) {
     501
     502        yield return interpolation.Interpolate(x);
     503
     504      }
     505    }
     506  }
    152507
    153508  // UNFINISHED
Note: See TracChangeset for help on using the changeset viewer.