我一直在尝试用Ruby实现一个局部加权逻辑回归算法。据我所知，目前还没有这个算法的库，而且可用的信息很少，所以这很困难。
我的主要资源是Kan Deng博士的论文，他在论文中对算法进行了描述，我觉得这是一个相当轻松的细节。到目前为止，我在图书馆的工作就在这里。
我在计算B(测试版)时遇到了麻烦。据我所知，B是一个(1+d x 1)向量，表示特定点的局部加权。之后，该点的pi(正输出的概率)是基于该点的B的sigmoid函数。为了得到B，递归使用Newton-Raphson算法一定次数，可能不超过十次。
第66页的方程4-4，Newton-Raphson算法本身，对我来说没有意义。根据我对X和W是什么的理解，(x.transpose * w * x).inverse * x.transpose * w应该是(1+d x N)矩阵，这与B不匹配，后者是(1+d x 1)。那么，唯一可行的方法是，如果e是(N x 1)向量。
不过，在第67页的顶部，在图片下方，邓博士只是说e是一个比值，这对我来说没有意义。e是欧拉常数吗？恰好这个比值总是2.718:1，还是其他什么？不管怎样，对我来说，这种解释似乎并没有表明它是一个向量，这让我感到困惑。
pi'的使用也让我感到困惑。方程4-5是S形函数w.r.t.B的导数，它给出了一个常数乘以一个向量或一个向量。然而，根据我的理解，pi'只是一个数字，乘以w，形成权重算法w的对角线。
所以，我在这里的两个主要问题是，第67页的e是什么？我需要的1xN矩阵是什么？方程4-5中的pi'是如何得到一个数字的？
我意识到这是一个很难回答的问题，所以如果有一个好的答案，我会在几天后回来，给它50分的奖励。我会给邓发一封电子邮件，但我一直没能弄清楚1997年后他发生了什么。
如果有人对这个算法有任何经验或知道任何其他资源，任何帮助都将不胜感激！
据我所见，这只是Logistic回归的一个版本，其中对数似然函数中的项具有乘法权重，取决于它们与您试图分类的点的距离。我首先要熟悉逻辑回归的解释，比如http://czep.net/stat/mlelr.pdf.你提到的"e"似乎与欧拉常数完全无关——我认为他用e来表示错误。
如果您可以从Ruby调用Java，那么您可能可以使用Weka中的逻辑分类器，如http://weka.sourceforge.net/doc.stable/weka/classifiers/functions/Logistic.html-上面写着"虽然最初的逻辑回归不处理实例权重，但我们对算法进行了一点修改，以处理实例权重。"如果没有其他内容，你可以下载它并查看其源代码。如果你这样做，请注意，这是一种相当复杂的方法-例如，他们事先检查是否所有点都位于输入空间的某个子空间中，如果确实如此，则向下投影几个维度