KNeighborsRegressor作为去噪算法

Question

在Kaggle上，我发现了用于信号去噪的算法。如Golay滤波器，样条函数，自回归模型或KNeighborsRegressor本身。

链接：https://www.kaggle.com/residentmario/denoising-algorithms

它究竟是如何工作的，因为我找不到任何文章解释它用于信号去噪？这是什么样的算法？我想了解它是如何工作的

Answer 1

这是一种监督学习算法--这是最好的答案，

通常，该算法首先使用已知数据进行训练，并试图解释一个最能代表该数据的函数，以便为以前未见的输入生成一个新的点。

简单地说，它将根据它以前看到的k个最近点的平均值来确定以前看不见的值的点，一个更好、更详细的答案如下：https://towardsdatascience.com/the-basics-knn-for-classification-and-regression-c1e8a6c955

kaggle代码中的：

时间矢量是：

df.index.values[:, np.newaxis]

信号矢量是：

df.iloc[:, 0]

似乎kaggle的人正在使用这些数据首先训练网络--见下文：

## define the KNN network
clf = KNeighborsRegressor(n_neighbors=100, weights='uniform')
## train the network 
clf.fit(df.index.values[:, np.newaxis], 
        df.iloc[:, 0])

给他一个函数来表示时间和信号值之间的关系。在此之后，他将时间向量传回网络，以使其再现信号。

y_pred = clf.predict(df.index.values[:, np.newaxis])

这个新信号将代表模型对信号的最佳解释，正如您可以从我上面发布的链接中看到的那样，您可以调整某些参数，这将导致“更干净”的信号，但也会降低原始信号。

需要注意的一点是，使用这种方法的方式与kaggle中的那个人相同，这意味着它只适用于这个信号，因为输入是time，所以不能用来解释未来的值：

y_pred = clf.predict(df.index.values[:, np.newaxis] + 400000)
ax = pd.Series(df.iloc[:, 0]).plot(color='lightgray')
pd.Series(y_pred).plot(color='black', ax=ax, figsize=(12, 8))

​

​