foundryts.functions.polynomial_regression

foundryts.functions.polynomial_regression(max_degree=0, time_unit='ns', start=None, end=None)

単一の時系列の多項式回帰を計算する関数を返します。

多項式回帰は、入力時系列の点に最もよく適合する、指定された次数の多項式曲線のパラメーターを求めます。 多項式は y = a0 + a1*x + a2*x^2 + ... + an*x^n と表され、 係数 a0, a1, ..., an は回帰によって決まります。

多項式回帰は、変数間の関係が単純な線形関係よりも複雑な場合に役立ちます。

• パラメーター：
  • max_degree (int , 任意) – 適合させる多項式の最大次数です（デフォルトは0）。たとえば、次数が2の場合は2次 多項式を適合させます。
  • time_unit (str , 任意) – 係数の時間単位です。「s」、「ms」、「us」、「ns」のいずれかである必要があります（デフォルトは「ns」）。
  • start (str | int | datetime.datetime , 任意) – 多項式回帰を計算する時系列の開始点（この値を含む）です。
  • end (str | int | datetime.datetime , 任意) – 多項式回帰を計算する時系列の終了点（この値を含まない）です。
• 戻り値： 単一の時系列を受け取り、多項式回帰を使用して、その時系列の点に最もよく適合する多項式曲線の パラメーターを返す関数です。
• 戻り値の型： (FunctionNode) -> SummarizerNode

Dataframe スキーマ

例

Copied!
1
2
3
4
5
6
7
8
9
10
>>> series = F.points(
...     (10, 6.0), (20, 12.0), (30, 24.0), (40, 48.0), (50, 96.0), name="series"
... )
>>> series.to_pandas()
                      timestamp  value
0 1970-01-01 00:00:00.000000010    6.0
1 1970-01-01 00:00:00.000000020   12.0
2 1970-01-01 00:00:00.000000030   24.0
3 1970-01-01 00:00:00.000000040   48.0
4 1970-01-01 00:00:00.000000050   96.0

Copied!
1
2
3
4
5
6
7
>>> poly_regr = F.polynomial_regression(3)(series)
>>> poly_regr.to_pandas()
   max_bounds.first_value  max_bounds.second_value  min_bounds.first_value  min_bounds.second_value  regression_fit_function.polynomial_regression_fit.coefficients.coefficient  regression_fit_function.polynomial_regression_fit.coefficients.degree
0                    50.0                     96.0                    10.0                      6.0                                          -4.800000                                                                           0
1                    50.0                     96.0                    10.0                      6.0                                           1.585714                                                                           1
2                    50.0                     96.0                    10.0                      6.0                                          -0.066429                                                                           2
3                    50.0                     96.0                    10.0                      6.0                                           0.001500                                                                           3