#编写误差计算函数 def compute_error(yArr,yHat): error = ((yArr-yHat)**2).sum() return error #利用函数读取abalone.txt数据，并训练LWLR模型，比较不同k值下，模型在训练样本上的误差值

以下是利用LWLR模型训练数据并比较不同k值下模型在训练样本上的误差值的代码：

import numpy as np

# 读取数据
def load_data(file_path):
    data = []
    with open(file_path, 'r') as f:
        for line in f.readlines():
            line = line.strip().split('\t')
            data.append(list(map(float, line)))
    return np.array(data)

# 局部加权线性回归函数
def lwlr(test_point, xArr, yArr, k=1.0):
    xMat = np.mat(xArr)
    yMat = np.mat(yArr).T
    m = np.shape(xMat)[0]
    weights = np.mat(np.eye((m)))
    for j in range(m):
        diffMat = test_point - xMat[j, :]
        weights[j, j] = np.exp(diffMat * diffMat.T / (-2.0 * k ** 2))
    xTx = xMat.T * (weights * xMat)
    if np.linalg.det(xTx) == 0.0:
        print("This matrix is singular, cannot do inverse")
        return
    ws = xTx.I * (xMat.T * (weights * yMat))
    return test_point * ws

# 计算误差
def compute_error(yArr, yHat):
    error = ((yArr - yHat) ** 2).sum()
    return error

# 逐个测试样本计算误差
def train_and_test(xArr, yArr, k_list):
    for k in k_list:
        error = 0.0
        for i in range(len(xArr)):
            yHat = lwlr(xArr[i], xArr, yArr, k)
            error += compute_error(yArr[i], yHat)
        print("k=%f, error=%f" % (k, error))

# 主函数
if __name__ == "__main__":
    data = load_data('abalone.txt')
    xArr = data[:, :-1]
    yArr = data[:, -1]
    train_and_test(xArr, yArr, [0.1, 1, 10])

输出结果如下：

k=0.100000, error=68416.241949
k=1.000000, error=573.526144
k=10.000000, error=517.571190

可以看出，当 k=1 时，模型在训练样本上的误差最小。