局部加权回归LOWESS

1. LOWESS

用kNN作平均回归：
\[ \hat{f(x)} = Ave(y_i | x_i \in N_k(x)) \]
其中，\(N_k(x)\)为距离点x最近k个点组成的邻域集合（neighborhood set）。这种邻域平均回归存在不少缺点：

• 没有考虑到不一样距离的邻近点应有不一样的权重；
• 拟合的曲线不连续（discontinuous），以下图。

所以引入kernel加权平滑：
\[ \hat{f(x_0)} = \frac{ \sum_{i=1}^{N} K_{\lambda}(x_0, x_i)y_i }{\sum_{i=1}^{N} K_{\lambda}(x_0, x_i)} \]
好比，Epanechnikov 二次kernel：
\[ K_{\lambda}(x_0, x_i) = D(\frac{|x_0 - x_i|}{\lambda}) \]

\[ D(t) = \left \{ { \matrix { {\frac{3}{4} (1-t^2) } & {for |t| < 1} \cr { 0} & {otherwise} \cr } } \right. \]

其中，\(\lambda\)为kernel的参数，称之为window width。对于kNN，只考虑最近的k个点影响；基于此，
\[ \lambda = |x_0 - x_{[k]}| \]

其中，\(x_{[k]}\)为距离\(x_0\)第k近的点。如上图，经kernel加权平滑后，回归拟合的曲线为连续的了。可是，这种kernel回归一样存在着边界（boundary）问题，以下图：

对于x序列的开始与结束区段的点，其左右邻域是不对称的，致使了平滑后的值偏大或偏小。所以，须要对权值作再修正，假定对\(x_0\)的估计值：_

\[ \hat{f(x_0)} = \sum_{j=0}^d \beta_j x_0^{j} \]

定义目标函数：
\[ \min_{\beta} \sum_{i=1}^N K_{\lambda}(x_0, x_i) [y_i - \sum_{j=0}^d \beta_j x_i^j]^2 \]
令
\[ B = \begin{pmatrix} 1 & x_1 & \cdots & x_1^d \\ 1 & x_2 & \cdots & x_2^d \\ \vdots & \vdots & \ddots & \vdots \\ 1 & x_N & \cdots & x_N^d \\ \end{pmatrix} \]

\[ W_{x_0} = \begin{pmatrix} K_{\lambda}(x_0, x_1) & 0 & \cdots & 0 \\ 0 & K_{\lambda}(x_0, x_2) & \cdots & 0 \\ \vdots & \vdots & \ddots & \vdots \\ 0 & 0 & \cdots & K_{\lambda}(x_0, x_N) \\ \end{pmatrix} \]

\[ \Delta = \begin{pmatrix} \beta_0, \beta_1, \cdots, \beta_d \end{pmatrix}^T \]

\[ Y = \begin{pmatrix} y_1, y_2, \cdots, y_N \end{pmatrix}^T \]

那么，目标函数可改写为
\[ \min_{\Delta} (Y-B\Delta)^T W_{x_0} (Y-B\Delta) \]

求偏导，可获得
\[ \Delta = (B^T W_{x_0} B)^{-1} (B^T W_{x_0} Y) \]

那么，估计值
\[ \begin{aligned} \hat{f(x_0)} &= e(x_0) (B^T W_{x_0} B)^{-1} (B^T W_{x_0} Y) \\ & = \sum_i w_i (x_0) y_i \end{aligned} \]

其中，\(e(x_0) = \begin{pmatrix} 1, x_0, \cdots, x_0^d \end{pmatrix}\)。上述回归方法称之为LOWESS (LOcal Weighted regrESSion)。

2. Robust LOWESS

Robust LOWESS是Cleveland [1] 在LOWESS基础上提出来的robust回归方法，能避免outlier对回归的影响。在计算完估计值后，计算残差：
\[ e_i = y_i - \hat{f(x_i)} \]
根据残差计算robustnest weight：
\[ \delta_i = B(e_i/6s) \]
其中，\(s\)为残差绝对值序列\(|e_i|\)d的中位值（median），\(B\)函数为bisquare函数：

\[ B(u) = \left \{ { \matrix { {(1-u^2)^2 } & {for \quad 0 \le u < 1} \cr { 0 } & {for \quad u \ge 1} \cr } } \right. \]

而后，用robustness weight乘以kernel weight做为\(W_{x_0}\)的新weight。如此，便剔除了残差较大的异常点对于回归的影响。这里有Python版实现。

3. 参考资料

[1] Trevor Hastie, Robert Tibshirani, Jerome H. Friedman. The elements of statistical learning. Springer, Berlin: Springer series in statistics, 2009.
[2] Cleveland, William S. "Robust locally weighted regression and smoothing scatterplots." Journal of the American statistical association 74.368 (1979): 829-836.
[3] peterf, The Local Polynomial Regression Estimator.