Java 如何使用NNLS进行非负多元线性回归？

我试图用Java解决非负多元线性回归问题。 我发现了一个用Scala编写的解算器类。 然而，我不知道如何使用这个

让我困惑的是，以下方法的接口似乎很奇怪。 我认为

A

是MxN矩阵，

b

是M向量，参数

ata

和

atb

应该分别是NxN矩阵和N向量。 但是，

ata

的实际类型是

double[]

publicstaticdouble[]solve（double[]ata，double[]atb，NNLS.Workspace ws）

我搜索了一个示例代码，但找不到。 谁能给我一个示例代码？

---

该库是用Scala编写的，但如果可能的话，我需要Java代码。

免责声明我从未使用过

NNLS

，也不知道非负多元线性回归

您可以看看Spark 2.1.1的

NNLS

，它实现了您想要的功能，但从那以后就不再是一条路了

更重要的是，从Spark 2.0开始，

org.apache.Spark.mllib

包（包括

org.apache.Spark.mllib.optimization

属于

NNLS

的）位于：

基于MLlib RDD的API现在处于维护模式

从Spark 2.0开始，Spark.mllib包中基于RDD的API已进入维护模式。Spark的主要机器学习API现在是Spark.ml包中基于数据帧的API

换句话说，您应该远离软件包，尤其是

NNLS

那么，还有什么选择呢

您可以查看

NNLS

的测试，也就是说，在那里您可以找到一些答案

但是，ata的实际类型是double[]

这是一个矩阵，所以元素又是双倍的。事实上，

ata

直接传递给BLAS的

dgemv

（和），如文件所述：

DGEMV执行矩阵向量操作之一

y := alpha*A*x + beta*y,   or   y := alpha*A**T*x + beta*y,

其中alpha和beta是标量，x和y是向量，A是标量 m乘n矩阵

这应该给你足够的答案

---

另一个问题是Spark MLlib中针对类

NNLS

计算的推荐方法是什么

它看起来像是Spark MLLib的ALS算法

NNLS

（这对机器学习实践者来说可能并不奇怪）

当ALS配置为在参数打开的情况下训练模型时，即

true

（默认情况下禁用）使用该部分代码

非负参数，用于确定是否应用非负性约束

默认值：false

是否对最小二乘法使用非负约束

我建议查看Spark MLlib的这一部分，以便更深入地了解

NNLS

用于解决非线性回归问题的用法。

我编写了一个测试代码。 虽然我收到了一些警告，如

未能从com.github.fommil.netlib.NativeSystemBLAS加载实现，但它在简单情况下运行良好，但当
m
非常大（约3000）时，
beta
通常变为0

封装测试；
导入org.apache.spark.mllib.optimization.NNLS；
公共类NNLSTest{
公共静态void main（字符串[]args）{
int n=6，m=300；
示例inMatlabDoc（）；
所有正态的正态分布（n，m）；
某些负性nbeta（n，m）；
无相关性（n，m）；
}
专用静态空隙试验（双[]X，双[]y，双[]b）{
int m=X.length；int n=X[0]。length；
double[]Xty=新的双精度[n]；
对于（int i=0；iy := alpha*A*x + beta*y,   or   y := alpha*A**T*x + beta*y,