Algorithm 分段最小二乘法
给出一个算法,该算法将平面上的一系列点(x_1,y_1),(x_2,y_2),…,…,(x_n,y_n)和一个整数k作为输入,并返回由最多k个点组成的最佳分段线性函数f,该函数使平方和误差最小。您可以假设您可以访问一个算法,该算法通过Θ(n)时间内的一组n个点计算一个段的平方和误差。解决方案应使用O(n^2k)时间和O(nk)空间Algorithm 分段最小二乘法,algorithm,dynamic-programming,Algorithm,Dynamic Programming,给出一个算法,该算法将平面上的一系列点(x_1,y_1),(x_2,y_2),…,…,(x_n,y_n)和一个整数k作为输入,并返回由最多k个点组成的最佳分段线性函数f,该函数使平方和误差最小。您可以假设您可以访问一个算法,该算法通过Θ(n)时间内的一组n个点计算一个段的平方和误差。解决方案应使用O(n^2k)时间和O(nk)空间 有人能帮我解决这个问题吗?非常感谢你 如果您可以对n^2中的某个段进行最小二乘,那么使用动态规划可以很容易地在n^2 k^2中执行您想要的操作。您可以将其优化为单个k
有人能帮我解决这个问题吗?非常感谢你 如果您可以对
n^2
中的某个段进行最小二乘,那么使用动态规划可以很容易地在n^2 k^2
中执行您想要的操作。您可以将其优化为单个k
。(这对于您的家庭作业来说已经太晚了,但希望它能有所帮助。)首先是python/numpy中仅针对
k=4
的动态编程,
帮助您了解动态规划的工作原理;
一旦理解了这一点,为任何k编写循环都应该很容易。另外,
Cost[]
是一个二维矩阵,空间O(n^2);
关于空间O(n k),请参见结尾的注释
到目前为止,我们有一个nxn成本矩阵,空间O(n^2)。
要深入到O(nk)空间,
仔细查看dyn程序代码中的成本[i,j]
访问模式:
for nleft .. to n:
Cost_nleft = Cost[j,nleft ] -- time nleft or nleft^2
for k in 3 4 5 ...:
min [ C[k-1, j-1] + Cost_nleft[j] for j .. to nleft ]
此处成本\u nleft
是一行完整的n x n成本矩阵,~n段,根据需要生成。
对于线段,这可以在时间O(n)内完成。
但是如果“通过一组n个点的一个段的错误需要O(n)个时间”,
看来我们赶上了时间O(n^3)。有人评论吗?
O(n^(2k))
或O(n^2*k)
?同样,函数必须是连续的吗?它是O(n^2*k),函数不需要是连续的。我认为如果k=O(n)
的话是不可能的,因为你可能至少需要计算每个中缀(子串/连续子序列)的最小二乘值输入的一部分。这些单独花费你的O(n)
O(n)algorithm blackbox的Ω(n^3)
OPs。问题的其余部分意味着像我建议的DP解决方案是理想的解决方案,因此可能是问题解决者的错误,或者您遗漏了一些信息?
""" spreads( all y[:j] ) in time O(n)
define spread( y[] ) = sum (y - average y)^2
e.g. spread of 24 hourly temperatures y[0:24] i.e. y[0] .. y[23]
around a horizontal line at the average temperature
(spread = 0 for constant temperature,
24 c^2 for constant + [c -c c -c ...],
24 * variance(y) )
How fast can one compute all 24 spreads
1 hour (midnight to 1 am), 2 hours ... all 24 ?
A simpler problem: compute all 24 averages in time O(n):
N = np.arange( 1, len(y)+1 )
allav = np.cumsum(y) / N
= [ y0, (y0 + y1) / 2, (y0 + y1 + y2) / 3 ...]
An identity:
spread(y) = sum(y^2) - n * (av y)^2
Voila: the code below, all spreads() in time O(n).
Exercise: extend this to spreads around least-squares lines
fit to [ y0, [y0 y1], [y0 y1 y2] ... ], not just horizontal lines.
"""
from __future__ import division
import sys
import numpy as np
#...............................................................................
def spreads( y ):
""" [ spread y[:1], spread y[:2] ... spread y ] in time O(n)
where spread( y[] ) = sum (y - average y )^2
= n * variance(y)
"""
N = np.arange( 1, len(y)+1 )
return np.cumsum( y**2 ) - np.cumsum( y )**2 / N
def spreads_allij( y ):
""" -> A[i,j] = sum (y - av y)^2, spread of y around its average
for all y[i:j+1]
time, space O(n^2)
"""
y = np.asanyarray( y, dtype=float )
n = len(y)
A = np.zeros((n,n))
for i in range(n):
A[i,i:] = spreads( y[i:] )
return A
for nleft .. to n:
Cost_nleft = Cost[j,nleft ] -- time nleft or nleft^2
for k in 3 4 5 ...:
min [ C[k-1, j-1] + Cost_nleft[j] for j .. to nleft ]