Python 含噪数据集的多项式回归

我想知道我是否能在一个问题上得到一些帮助

我正在为我以前的一个实验室创建一个工具，它使用来自一台基于物理的机器（大量噪音）的数据，结果是简单的x，y坐标。我想确定数据集的局部最大值，但是，由于集合中存在大量噪声，因此不能仅检查点之间的斜率来确定峰值

为了解决这个问题，我考虑使用多项式回归来稍微“平滑”数据集，然后从结果模型中确定局部最大值

我已经浏览了这个链接 但是，它只告诉您如何创建紧密贴合的模型。它不会告诉你是否有一个综合指标来衡量哪一个是最好的模型。我应该通过卡方检验吗？或者是否有其他更好的衡量标准或集成到scikit学习工具包中

---

提前感谢

Link procided本质上向您展示了如何在多项式特征的基础上构建岭回归。因此，这不是一个“紧配合”，因为您可以通过正则化（alpha参数）-优先于参数来控制它。现在，你所说的“最佳模型”是什么意思？有无限多个可能的标准可以作为最佳回归，每个标准都通过不同的标准进行测试。你需要回答自己——你感兴趣的衡量标准是什么。是否应该是平滑度和紧密度之间的某种“黄金比例”？或者你想要一个最平滑的模型，它可以最小化一些误差度量（到点的均方距离？）？还有一种方法是测试它捕获底层过程的能力——通过某种典型的验证（如交叉验证等），在数据子集上重复构建模型，并检查保留部分的错误。有很多可能的（而且完全有效的！）方法——一切都取决于你想要回答的确切问题。不幸的是，“什么是最好的模式”不是一个好问题

我建议用最大熵法来解决这个问题。