包含机器学习中的线性回归，包含了最佳拟合线性回顾，局部加权线性回归，岭回归以及前向逐步线性回归等算法的数据集以及代码实现。

EIT / UTT双模态成像的自适应局部加权图像重建算法

DMP-轻水堆 这是用Matlab编码的Dynamic Movement Primitives实现。 对于回归，使用局部加权回归。 在人体动作识别方面，我取得了很好的成绩。 蓝色是原始数据，红色是来自训练有40位高斯的dmp的重放。

作为一种强大而有前途的统计信号建模技术，稀疏表示已广泛应用于各种图像处理和分析领域。 对于高光谱图像分类，以前的研究已经表明了基于稀疏性的分类方法的有效性。 本文提出了一种非局部加权联合稀疏表示分类方法（NLW-JSRC），以提高高光谱图像分类的效果。 在联合稀疏模型​​（JSM）中，对中央测试像素周围的不同相邻像素使用不同的权重。 一个特定的相邻像素的权重由相邻像素和中央测试像素之间的结构相似性确定，这被称为非局部加权方案。 本文采用同时正交匹配追踪技术求解非局部加权联合稀疏模型​​（NLW-JSM）。 在三个高光谱图像上测试了所提出的分类算法。 实验结果表明，该算法的性能优于其他基于稀疏性的算法和经典的支持向量机高光谱分类器。

函数 fLOESS 对一维数据执行 LOESS（使用二阶多项式的局部加权非参数回归拟合）平滑，无需 Matlab 曲线拟合工具箱。 这可能被认为是 LOWESS 的一种稍微更好的方法，它使用线性拟合产生局部加权回归。

线性回归是目前进行机器人预测的一个很好的算法，并可以用于很多领域的预测

局部加权投影回归（LWPR）是一种完全增量的在线算法，用于在高维空间中进行非线性函数逼近，能够处理冗余和不相关的输入维。 它的核心是使用局部线性模型，该模型由输入空间中选定方向上的少量单变量回归所跨越。 使用偏最小二乘（PLS）的局部加权变体来进行降维。 请引用：[1] Sethu Vijayakumar，Aaron D'Souza和Stefan Schaal，《高维增量在线学习》，《神经计算》，第一卷。 17号，第12卷，第2602-2634页（2005）。 [2] Stefan Klanke，Sethu Vijayakumar和Stefan Schaal，《局部加权投影回归的图书馆》，《机器学习研究》（JMLR），第1卷。 9，623--626（2008）。 代码网站上的更多详细信息和使用指南。

利用局部加权回归，对UCI数据进行分段线性拟合，使用时需修改下路径名。

上周讲专题时做的ppt

LOWESS- 局部加权散点图平滑，不需要 matlab 中的统计工具箱。 此回归将适用于 X 和 Y 之间的线性和非线性关系。 修改： 12/19/2008 - 添加上下 LOWESS 平滑。 这些额外的平滑显示了 Y 的分布如何随 X 变化。这些平滑只是将 LOWESS 分别应用于正残差和负残差，然后添加到数据的原始 lowess。 相同的平滑因子适用于上限和下限。 2/21/2009 - 添加排序功能，数据不再需要排序。 还添加了一个例程，以便如果用户还提供了第二个数据集，则线性插值是最低的，并用于预测提供的 x 值的 y 值。 2009 年 10 月 27 日 - 修改了第二个用户提供的 X 数据以获得预测。 Matlab 函数默认排序是唯一的。 在代码部分中确实不需要使用 y 预测的 LOWESS 结果执行 x 数据的线性插值。 如果用户不提供第二个 x 数据集，它将假