38

我想在网络浏览器中使用 Javascript 进行最小二乘拟合。

目前，用户使用 HTML 文本输入输入数据点信息，然后我使用 jQuery 抓取该数据并使用Flot绘制它。

在用户输入他们的数据点后，我想向他们展示一条“最佳拟合线”。我想我会计算线性、多项式、指数和对数方程，然后选择具有最高R^2值的一个。

我似乎找不到任何可以帮助我做到这一点的库。我偶然发现了jStat，但它完全缺少文档（据我所知），并且在深入研究了源代码之后，它似乎没有内置任何线性回归功能——我纯粹基于函数然而名字。

有谁知道任何提供简单回归分析的 Javascript 库？

希望我可以像这样使用图书馆......

如果我在一个数组中有一组散点var points = [[3,4],[15,45],...[23,78]]，我可以将它交给一些函数，如果线性方程是lin_reg(points)，它会返回类似的东西。[7.12,3]y = 7.12 x + 3

4

7 回答 7

27

什么样的线性回归？对于像最小二乘这样简单的东西，我自己编程：

http://mathworld.wolfram.com/LeastSquaresFitting.html

那里的数学并不太难，试一试一个小时左右，如果太难，请告诉我，我可以试试。

编辑：

找到了这样做的人：

http://dracoblue.net/dev/linear-least-squares-in-javascript/159/

于 2011-06-01T01:32:50.713 回答
24

我为手头的问题找到的最简单的解决方案可以在以下帖子中找到：http: //trentrichardson.com/2010/04/06/compute-linear-regressions-in-javascript/

请注意，除了线性方程之外，它还返回 R2 分数，这可能很有用。

** 编辑 **

这是实际的代码片段：

function linearRegression(y,x){
        var lr = {};
        var n = y.length;
        var sum_x = 0;
        var sum_y = 0;
        var sum_xy = 0;
        var sum_xx = 0;
        var sum_yy = 0;

        for (var i = 0; i < y.length; i++) {

            sum_x += x[i];
            sum_y += y[i];
            sum_xy += (x[i]*y[i]);
            sum_xx += (x[i]*x[i]);
            sum_yy += (y[i]*y[i]);
        } 

        lr['slope'] = (n * sum_xy - sum_x * sum_y) / (n*sum_xx - sum_x * sum_x);
        lr['intercept'] = (sum_y - lr.slope * sum_x)/n;
        lr['r2'] = Math.pow((n*sum_xy - sum_x*sum_y)/Math.sqrt((n*sum_xx-sum_x*sum_x)*(n*sum_yy-sum_y*sum_y)),2);

        return lr;
}

要使用它，你只需要传递两个数组，known_y's 和 known_x's，所以这就是你可能传递的：

var known_y = [1, 2, 3, 4];
var known_x = [5.2, 5.7, 5.0, 4.2];

var lr = linearRegression(known_y, known_x);
// now you have:
// lr.slope
// lr.intercept
// lr.r2
于 2015-07-22T14:56:19.787 回答
13

我发现了这个很棒的 JavaScript 库。

这很简单，而且似乎工作得很好。

我也不能足够推荐 Math.JS。

于 2013-07-22T16:47:07.017 回答
8

具有变异度量的简单线性回归（总平方和 = 回归平方和 + 误差平方和）、估计标准误差 SEE（残差标准误差）以及确定系数 R2 和相关性 R。

const regress = (x, y) => {
    const n = y.length;
    let sx = 0;
    let sy = 0;
    let sxy = 0;
    let sxx = 0;
    let syy = 0;
    for (let i = 0; i < n; i++) {
        sx += x[i];
        sy += y[i];
        sxy += x[i] * y[i];
        sxx += x[i] * x[i];
        syy += y[i] * y[i];
    }
    const mx = sx / n;
    const my = sy / n;
    const yy = n * syy - sy * sy;
    const xx = n * sxx - sx * sx;
    const xy = n * sxy - sx * sy;
    const slope = xy / xx;
    const intercept = my - slope * mx;
    const r = xy / Math.sqrt(xx * yy);
    const r2 = Math.pow(r,2);
    let sst = 0;
    for (let i = 0; i < n; i++) {
       sst += Math.pow((y[i] - my), 2);
    }
    const sse = sst - r2 * sst;
    const see = Math.sqrt(sse / (n - 2));
    const ssr = sst - sse;
    return {slope, intercept, r, r2, sse, ssr, sst, sy, sx, see};
}
regress([1, 2, 3, 4, 5], [1, 2, 3, 4, 3]);
于 2017-03-04T10:19:53.270 回答
7

查看 https://web.archive.org/web/20150523035452/https://cgwb.nci.nih.gov/cgwbreg.html（javascript回归计算器）——纯 JavaScript，而不是对服务器的 CGI 调用。数据和处理仍保留在您的计算机上。完成 R 风格的结果和 R 代码以检查工作和结果的可视化。

请参阅 OLS 的嵌入式 JavaScript 实现以及与结果相关的统计信息的源代码。

该代码是我将 GSL 库函数移植到 JavaScript 的努力。

这些代码是在 GPL 下发布的，因为它基本上是 GPL 许可的 Gnu Scientific Library (GSL) 代码的线路移植。

编辑：Paul Lutus 还提供了一些用于回归的 GPL 代码：http ://arachnoid.com/polysolve/index.html

于 2012-10-20T18:13:46.937 回答
5

这是一个片段，它将采用三元组 (x, y, r) 数组，其中 r 是 (x, y) 数据点的权重并返回 [a, b] 使得 Y = a*X + b 近似于数据。

// return (a, b) that minimize
// sum_i r_i * (a*x_i+b - y_i)^2
function linear_regression( xyr )
{
    var i, 
        x, y, r,
        sumx=0, sumy=0, sumx2=0, sumy2=0, sumxy=0, sumr=0,
        a, b;

    for(i=0;i<xyr.length;i++)
    {   
        // this is our data pair
        x = xyr[i][0]; y = xyr[i][1]; 

        // this is the weight for that pair
        // set to 1 (and simplify code accordingly, ie, sumr becomes xy.length) if weighting is not needed
        r = xyr[i][2];  

        // consider checking for NaN in the x, y and r variables here 
        // (add a continue statement in that case)

        sumr += r;
        sumx += r*x;
        sumx2 += r*(x*x);
        sumy += r*y;
        sumy2 += r*(y*y);
        sumxy += r*(x*y);
    }

    // note: the denominator is the variance of the random variable X
    // the only case when it is 0 is the degenerate case X==constant
    b = (sumy*sumx2 - sumx*sumxy)/(sumr*sumx2-sumx*sumx);
    a = (sumr*sumxy - sumx*sumy)/(sumr*sumx2-sumx*sumx);

    return [a, b];
}
于 2012-04-27T14:52:39.517 回答
1

有点基于 Nic Mabon 的回答。

function linearRegression(x, y)
{
    var xs = 0;  // sum(x)
    var ys = 0;  // sum(y)
    var xxs = 0; // sum(x*x)
    var xys = 0; // sum(x*y)
    var yys = 0; // sum(y*y)

    var n = 0;
    for (; n < x.length && n < y.length; n++)
    {
        xs += x[n];
        ys += y[n];
        xxs += x[n] * x[n];
        xys += x[n] * y[n];
        yys += y[n] * y[n];
    }

    var div = n * xxs - xs * xs;
    var gain = (n * xys - xs * ys) / div;
    var offset = (ys * xxs - xs * xys) / div;
    var correlation = Math.abs((xys * n - xs * ys) / Math.sqrt((xxs * n - xs * xs) * (yys * n - ys * ys)));

    return { gain: gain, offset: offset, correlation: correlation };
}

然后 y' = x * 增益 + 偏移量。

于 2015-06-10T10:02:55.827 回答