Lowess在预测方面非常出色（当与插值相结合时）！我认为代码非常简单-如果您有任何问题，请告诉我！Matplolib Figure

import matplotlib.pyplot as plt
%matplotlib inline
from scipy.interpolate import interp1d
import statsmodels.api as sm

# introduce some floats in our x-values
x = list(range(3, 33)) + [3.2, 6.2]
y = [1,2,1,2,1,1,3,4,5,4,5,6,5,6,7,8,9,10,11,11,12,11,11,10,12,11,11,10,9,8,2,13]

# lowess will return our "smoothed" data with a y value for at every x-value
lowess = sm.nonparametric.lowess(y, x, frac=.3)

# unpack the lowess smoothed points to their values
lowess_x = list(zip(*lowess))[0]
lowess_y = list(zip(*lowess))[1]

# run scipy's interpolation. There is also extrapolation I believe
f = interp1d(lowess_x, lowess_y, bounds_error=False)

xnew = [i/10. for i in range(400)]

# this this generate y values for our xvalues by our interpolator
# it will MISS values outsite of the x window (less than 3, greater than 33)
# There might be a better approach, but you can run a for loop
#and if the value is out of the range, use f(min(lowess_x)) or f(max(lowess_x))
ynew = f(xnew)

plt.plot(x, y, 'o')
plt.plot(lowess_x, lowess_y, '*')
plt.plot(xnew, ynew, '-')
plt.show()

字符串

我创建了一个名为moepy的模块，它为LOWESS模型（包括fit/predict）提供了一个类似sklearn的API。这使得预测可以使用底层的局部回归模型，而不是其他答案中描述的插值方法。下面是一个极简示例。

# Imports
import numpy as np
import matplotlib.pyplot as plt
from moepy import lowess

# Data generation
x = np.linspace(0, 5, num=150)
y = np.sin(x) + (np.random.normal(size=len(x)))/10

# Model fitting
lowess_model = lowess.Lowess()
lowess_model.fit(x, y)

# Model prediction
x_pred = np.linspace(0, 5, 26)
y_pred = lowess_model.predict(x_pred)

# Plotting
plt.plot(x_pred, y_pred, '--', label='LOWESS', color='k', zorder=3)
plt.scatter(x, y, label='Noisy Sin Wave', color='C1', s=5, zorder=1)
plt.legend(frameon=False)

字符串
x1c 0d1x的数据
关于如何使用该模型（以及其置信度和预测区间变量）的更详细的指南可以在here中找到。

考虑使用Kernel Regression。
statmodels有一个实现。
如果你有太多的数据点，为什么不使用sk.learn的radiusNeighborRegression并指定一个三立方加权函数呢？

查看scikit-misc中的loess类。fitted对象有一个predict方法：

loess_fit = loess(x, y, span=.01);
loess_fit.fit();
preds = loess_fit.predict(x_new).values

字符串
https://has2k1.github.io/scikit-misc/stable/generated/skmisc.loess.loess.html

目前还不清楚是否有一个专门的LOESS对象与单独的拟合/预测方法，就像Scikit-Learn中常见的那样。相比之下，对于神经网络，你可以有一个只存储相对较小的权重集的对象。拟合方法将通过使用非常大的训练数据集来优化“少数”权重。预测方法只需要权重来进行新的预测，而不是整个训练集。
另一方面，基于LOESS和最近邻的预测需要整个训练集来进行新的预测。拟合方法唯一能做的就是将训练集存储在对象中以供以后使用。如果x和y是训练数据，x0是进行新预测的点，这个面向对象的拟合/预测解决方案看起来像下面这样：

model = Loess()
model.fit(x, y)         # No calculations. Just store x and y in model.
y0 = model.predict(x0)  # Uses x and y just stored.

字符串
相比之下，在我的localreg库中，我选择了简单：

y0 = localreg(x, y, x0)

型
这真的归结为设计选择，因为性能是一样的。拟合/预测方法的一个优点是，你可以像Scikit-Learn中那样拥有一个统一的界面，一个模型可以很容易地被另一个模型交换。拟合/预测方法也鼓励机器学习的方式来思考它，但从这个意义上说，LOESS不是很有效，因为它需要为每个新的预测存储和使用所有的数据。后一种方法更倾向于LOESS的起源，作为一个散点图平滑算法，这是我更喜欢的想法。这也可能有助于解释为什么statsmodel这样做。

你可以使用这个库：https://github.com/yaniv-shulman/rsklpr。注意它与Lowess非常相似，但不完全相同，因为它在单次迭代中使用鲁棒权重而不是迭代拟合。您也可以使用它来计算置信区间。
透露一下，我是那个图书馆的作者。