pysal.model.mgwr.sel_bw.Sel_BW¶

class pysal.model.mgwr.sel_bw.Sel_BW(coords, y, X_loc, X_glob=None, family=<pysal.model.spglm.family.Gaussian object>, offset=None, kernel='bisquare', fixed=False, multi=False, constant=True, spherical=False)[源代码]¶

为内核选择带宽

方法：P211-P213，Fotheringham，A.S.，Brunsdon，C.和Charlton，M.（2002）。地理加权回归：对空间变化关系的分析。

参数:

y : 数组 n*1，因变量。 X_glob : 数组 n*k1，固定自变量。 X_loc : 数组 n*k2，局部自变量，包括常数。 坐标 : 元组列表 带宽选择中使用的点的（x，y） family : 一串 GWR模型类型：“高斯”、“逻辑”、“泊松” offset : 数组 n*1，第i个位置的偏移变量。对于泊松模型，这个术语通常是风险人群的大小，或者空间流行病学默认结果的预期大小为“无”，其中所有位置的ni都变为1.0。 kernel : 一串 核函数：“高斯”、“双夸尔”、“导出” fixed : 布尔 固定带宽为真，自适应为假（nn） multi : 对于多个（协变特异性）带宽为真 对于传统的（所有共变的）带宽来说是错误的；defualt是错误的。 constant : 布尔 在模型中包含截获（默认值）为true，排除截获为false。 spherical : 布尔 周坐标（长lat）为真，投影坐标（defalut）为假。

实例

>>> import pysal.lib as ps
>>> from mgwr.sel_bw import Sel_BW
>>> data = ps.io.open(ps.examples.get_path('GData_utm.csv'))
>>> coords = list(zip(data.by_col('X'), data.by_col('Y')))
>>> y = np.array(data.by_col('PctBach')).reshape((-1,1))
>>> rural = np.array(data.by_col('PctRural')).reshape((-1,1))
>>> pov = np.array(data.by_col('PctPov')).reshape((-1,1))
>>> african_amer = np.array(data.by_col('PctBlack')).reshape((-1,1))
>>> X = np.hstack([rural, pov, african_amer])

黄金分割搜索

>>> bw = Sel_BW(coords, y, X).search(criterion='AICc')
>>> print(bw)
93.0

黄金分割搜索AIC-自适应高斯

>>> bw = Sel_BW(coords, y, X, kernel='gaussian').search(criterion='AIC')
>>> print(bw)
50.0

黄金分割搜索BIC-自适应高斯

>>> bw = Sel_BW(coords, y, X, kernel='gaussian').search(criterion='BIC')
>>> print(bw)
62.0

黄金分割搜索cv-自适应高斯

>>> bw = Sel_BW(coords, y, X, kernel='gaussian').search(criterion='CV')
>>> print(bw)
68.0

区间AICC-固定双夸克

>>> sel = Sel_BW(coords, y, X, fixed=True)
>>> bw = sel.search(search_method='interval', bw_min=211001.0, bw_max=211035.0, interval=2)
>>> print(bw)
211025.0

属性:

y : 数组 n*1，因变量。 X_glob : 数组 n*k1，固定自变量。 X_loc : 数组 n*k2，局部自变量，包括常数。 坐标 : 元组列表 带宽选择中使用的点的（x，y） family : 一串 GWR模型类型：“高斯”、“逻辑”、“泊松” kernel : 一串 使用的内核类型以及是否固定或自适应 fixed : 布尔 固定带宽为真，自适应为假（nn） criterion : 一串 BW选择标准：“AICC”、“AIC”、“BIC”、“CV” search_method : 一串 bw搜索方法：“golden”、“interval” bw_min : 浮动 带宽搜索中使用的最小值 bw_max : 浮动 带宽搜索中使用的最大值 interval : 浮动 间隔搜索中使用的间隔增量 tol : 浮动 用于确定收敛性的公差 max_iter : 整数 不收敛到tol时的最大交互 multi : 对于多个（协变特异性）带宽为真 对于传统的（所有共变的）带宽来说是错误的；defualt是错误的。 constant : 布尔 在模型中包含截获（默认值）为true，排除截获为false。 offset : 数组 n*1，第i个位置的偏移变量。对于泊松模型，这个术语通常是风险人群的大小，或者空间流行病学默认结果的预期大小为“无”，其中所有位置的ni都变为1.0。 dmat : 数组 n*n，用于计算重量矩阵的校准位置之间的距离矩阵 sorted_dmat : 数组 n*n，用于计算重量矩阵的校准位置之间的排序距离矩阵。对于固定带宽将为零 spherical : 布尔 周坐标（长lat）为真，投影坐标（defalut）为假。 search_params : 双关语 存储搜索参数 int_score : 布兰 如果使用自适应带宽，并且选择的带宽应该是离散的，则为真。如果使用固定带宽且带宽不必是离散的，则为false。 bw : 标量或类似数组 导出最佳带宽。将是gwr的标量（multi=false）和mgwr的标量列表（multi=true），每个协变量有一个带宽。 S : 数组 n*n，带宽选择时由mgwr的迭代逆火算法导出的hat矩阵 R : 数组 n*n*k，在带宽选择过程中，从MGWR的迭代逆算法推导出的部分hat矩阵。对于每个k协变量都有一个n*n矩阵。 params : 数组 n*k，基于迭代回火算法的MGWR校准参数估计-计算并保存在此处，以避免在MGWR对象中再次进行此操作。

方法

search \（[搜索方法，标准，bw 最小，…]）

方法为GWR模型选择一个唯一带宽，或为MGWR模型选择一个带宽向量。

__init__(coords, y, X_loc, X_glob=None, family=<pysal.model.spglm.family.Gaussian object>, offset=None, kernel='bisquare', fixed=False, multi=False, constant=True, spherical=False)[源代码]¶

初始化自身。请参阅帮助（键入（self））以获得准确的签名。

方法

__init__ \（coords，y，xu loc[，xu glob，family，…]）	初始化自身。
search \（[搜索方法，标准，bw 最小，…]）	方法为GWR模型选择一个唯一带宽，或为MGWR模型选择一个带宽向量。