foundryts.functions.linear_regression

foundryts.functions.linear_regression(include_intercept=True, time_unit='ns', start=None, end=None)

返回一个对单一时间序列执行线性回归的函数。

线性回归找到输入时间序列点上的最佳拟合线的参数。线性回归表示为 y = Ax + B，其中 A 是线的斜率，B 是y截距。返回的函数将提供参数 A 和 B。

当需要识别和量化时间序列数据中的线性趋势时，线性回归非常有用。

参数:
- time_unit (str , 非必填) – 系数的时间单位，必须是 “s”、 “ms”、 “us”、 “ns” 之一（默认是 “ns”）。
- start (str | int | datetime.datetime , 非必填) – 计算线性回归的时间序列的起始点（包含）。
- end (str | int | datetime.datetime , 非必填) – 计算线性回归的时间序列的终点（不包含）。
返回: 一个接受单一时间序列的函数，并使用线性回归返回时间序列点的最佳拟合线参数。
返回类型: (FunctionNode) -> SummarizerNode

数据框架架构

列名	类型	描述
max_bounds.first_value	float	`y=Ax+B` 中斜率 (A) 的最大值。
max_bounds.second_value	float	`y=Ax+B` 中截距 (B) 的最大值。
min_bounds.first_value	float	`y=Ax+B` 中斜率 (A) 的最小值。
min_bounds.second_value	float	`y=Ax+B` 中截距 (B) 的最小值。
regression_fit_function. linear_regression_fit. slope	float	线性回归拟合中 `y=Ax+B` 的参数 ‘A’ (斜率)。
regression_fit_function. linear_regression_fit. intercept	float	线性回归拟合中 `y=Ax+B` 的参数 ‘B’ (截距)。
regression_fit_function. linear_regression_fit. statistics.rsquared	float	R平方值，指示线性回归的拟合优度。

另请参阅

exponential_regression(), polynomial_regression()

注意

此函数仅适用于数值系列。

示例

Copied!1
2
3
4
5
6
7
8
>>> lin_regr = F.linear_regression()(series)  # 使用线性回归函数拟合数据序列
>>> lin_regr.to_pandas()
   max_bounds.first_value  max_bounds.second_value  min_bounds.first_value  min_bounds.second_value  regression_fit_function.linear_regression_fit.intercept  regression_fit_function.linear_regression_fit.slope  regression_fit_function.linear_regression_fit.statistics.rsquared
0                    50.0                     96.0                    10.0                      6.0                                              -27.6                                                     2.16                                             0.870968
   # max_bounds 和 min_bounds 表示数据集的最大和最小边界值
   # intercept 表示回归线的截距
   # slope 表示回归线的斜率
   # rsquared 是决定系数 (R²)，表示模型的拟合优度

←

PREVIOUSfoundryts.functions.last_point

NEXTfoundryts.functions.mean

→