Nuestro equipo especializado despúes de ciertos días de trabajo y de recopilar de datos, encontramos la respuesta, deseamos que te sea útil para tu proyecto.
La clase IsotonicRegression ajusta una función real no decreciente a datos unidimensionales. Resuelve el siguiente problema:
minimizar ( sum_i w_i (y_i – hat y _i) ^ 2 )
sujeto a ( hat y _i le hat y _j ) cuando sea (X_i le X_j ),
donde los pesos (Wisconsin) son estrictamente positivos, y ambos X y y son cantidades reales arbitrarias.
los increasing parámetro cambia la restricción a ( hat y _i ge hat y _j ) cuando sea (X_i le X_j ). Configurarlo en ‘auto’ elegirá automáticamente la restricción basada en Coeficiente de correlación de rango de Spearman.
IsotonicRegression produce una serie de predicciones ( hat y _i ) para los datos de entrenamiento que están más cerca de los objetivos (y ) en términos de error cuadrático medio. Estas predicciones se interpolan para predecir datos invisibles. Las predicciones de IsotonicRegression así formar una función que es lineal a trozos:
