使用sklearn进行线性回归时遇到值错误
可能是由于以下原因之一：
- 数据类型错误：sklearn的线性回归模型要求输入的特征和目标变量是数值型数据。如果输入的数据类型不正确，可能会导致值错误。确保输入的特征和目标变量是数值型数据，可以使用pandas库的astype()方法将其转换为正确的数据类型。
- 缺失值：sklearn的线性回归模型不支持包含缺失值的数据。如果输入的数据中存在缺失值，需要先进行缺失值处理，可以使用pandas库的dropna()方法删除包含缺失值的样本，或者使用fillna()方法填充缺失值。
- 数据规模不一致：sklearn的线性回归模型对输入的特征和目标变量要求具有相同的数据规模。如果输入的特征和目标变量的数据规模不一致，可能会导致值错误。可以使用标准化或归一化等方法将数据规模统一。
- 数据量不足：sklearn的线性回归模型对于数据量较小的情况可能会出现值错误。线性回归模型通常需要大量的数据才能获得准确的结果。如果数据量较小，可以考虑使用其他更适合小样本数据的回归模型。
总结：当使用sklearn进行线性回归时遇到值错误，可以检查数据类型是否正确、是否存在缺失值、数据规模是否一致以及数据量是否足够等问题。根据具体情况进行相应的数据处理和调整，以确保模型能够正常运行。
腾讯云相关产品和产品介绍链接地址：
- 腾讯云机器学习平台（https://cloud.tencent.com/product/tiia）
- 腾讯云数据处理平台（https://cloud.tencent.com/product/dp）
- 腾讯云人工智能开发平台（https://cloud.tencent.com/product/ai）
- 腾讯云物联网平台（https://cloud.tencent.com/product/iotexplorer）
- 腾讯云移动开发平台（https://cloud.tencent.com/product/mpp）
- 腾讯云对象存储（https://cloud.tencent.com/product/cos）
- 腾讯云区块链服务（https://cloud.tencent.com/product/tbaas）
- 腾讯云元宇宙（https://cloud.tencent.com/product/tencent-metaverse）
相关·内容
在练习简单线性回归模型时，我遇到了这个错误： ValueError: Expected 2D array, got scalar array instead:
array=60.
Reshape your data either using array.reshape(-1, 1) if your data has a single
feature or array.reshape(1, -1) if it contains a single sample. 这是我的代码(Python 3.7)： import pandas as pd
import numpy as np
import
浏览 61提问于2019-01-22得票数 3
回答已采纳
对燃油经济性数据进行logistic回归的尝试
但是得到这个错误：
ValueError: Unknown label type: 'continuous'
代码：
X = fuel.drop('Fuel Economy (MPG)', axis=1).values
y = fuel['Fuel Economy (MPG)'].values
from sklearn.preprocessing import StandardScaler
sc = StandardScaler()
X = sc.fit_transform(X)
f
浏览 10提问于2022-05-23得票数 1
我已经测试了几种回归者从科学-学习。但是，当我只对回归者使用if-语句时，我会遇到错误情况，如下面的示例代码。
from sklearn.neural_network import MLPRegressor
from sklearn.ensemble import GradientBoostingRegressor, HistGradientBoostingRegressor
for j, model in enumerate([MLPRegressor(), HistGradientBoostingRegressor(), GradientBoostingRegressor()]):
浏览 4提问于2022-09-07得票数 1
1回答
我有以下的数据，并计划实现线性回归出来。
我已经开始编写脚本，并停止了它，因为日期字段(自变量)抛出了一个错误。有人能帮我修改代码来转换日期字段吗？
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns
from sklearn.linear_model import LinearRegression
from sklearn.model_selection import train_test_split
from sklearn.metrics imp
浏览 3提问于2020-09-24得票数 0
1回答
我有这个时间系列数据集，它有63个特性，其中57个是手工设计的。在检查共线性时，我得到了这个相关矩阵：
📷
可以看出，有许多变量是相关的/共线的。那些深红色的当然需要移除，但是那些在蓝色范围内的呢？这些变量(关于共线性的负范围)是如何影响回归模型的？
另外，我从sklearn.feature_extraction模块中运行了一个递归的特征提取过程，它建议我使用39个特性作为最好的(在默认设置下)。在处理这些特性时，RFE是最好的策略吗？
浏览 0提问于2019-10-20得票数 2
回答已采纳
scikit-learn库有以下类似的分类器： Logistic回归分类器有不同的求解器，其中之一是“sgd”。 http://scikit-learn.org/stable/modules/generated/sklearn.linear_model.LogisticRegression.html#sklearn.linear_model.LogisticRegression 它也有一个不同的分类器'SGDClassifier‘，损失参数可以作为逻辑回归的'log’提到。 http://scikit-learn.org/stable/modules/generated/sk
浏览 42提问于2017-05-14得票数 14
3回答
沙普利用于Logistic回归？
、、、、
shapley支持logistic回归模型吗？
运行下面的代码：
logmodel = LogisticRegression()
logmodel.fit(X_train,y_train)
predictions = logmodel.predict(X_test)
explainer = shap.TreeExplainer(logmodel )
Exception: Model type not yet supported by TreeExplainer: <class 'sklearn.linear_model.logistic.LogisticRegression&#
浏览 3提问于2020-02-27得票数 3
回答已采纳
我正在尝试将分位数回归模型与我的输入数据相匹配。我想使用sklearn，但当我试图适应这个模型时，我得到了一个内存分配错误。与statsmodels等效函数相同的数据运行良好。
我得到的错误如下：
numpy.core._exceptions._ArrayMemoryError: Unable to allocate 55.9 GiB for an array with shape (86636, 86636) and data type float64
没有任何意义，我的X和y分别是形状(86636，4)和(86636，1)。
这是我的剧本：
import pandas as pd
impo
浏览 24提问于2022-08-09得票数 -1
回答已采纳
1回答
我正在使用sklearn的支持向量回归模型处理回归问题，并使用MinMax缩放特征，但通过使用它，我得到了不同的回归结果，这有意义吗？
import pandas as pd
import numpy as np
from sklearn import svm
from sklearn.preprocessing import MinMaxScaler
np.random.seed(0)
X_training = np.random.rand(100,15)*10
Y_training = np.random.rand(100,1)*10
model = svm.SVR()
不需要扩展：
浏览 2提问于2017-02-09得票数 0
1回答
我有一个训练集，有一个特征(信用平衡)-数字变化在0-20,000之间。响应为0 (Default=No)或1 (Default=Yes)。这是一个用logistic函数生成的模拟训练集。作为参考，它是可用的。
下面的框图分别显示了default=yes和default=no类的余额分布情况-
以下是数据的分布情况-
此外，数据集与每个响应类的50%的数据完全平衡。因此，这是一个适用于Logistic回归的经典案例。然而，应用Logistic回归得到的分数为0.5分，因为只有y=1被预测。以下是应用Logistic回归的方法-
import numpy as np
import
浏览 7提问于2021-06-27得票数 1
3回答
我正在尝试使用sk-learn在Python语言中运行一个常见的线性回归，但我有一些分类数据我不知道如何处理，特别是因为我使用pandas read.csv()导入了数据，并且我从以前的经验和阅读中了解到Pandas和sk-learn (目前)相处得不是很好。
我的数据如下所示：
Salary AtBat Hits League EastDivision
475 315 81 1 0
480 479 130 0 0
500 496 141 1 1
我想用AtBat，Hit
浏览 4提问于2014-10-05得票数 6
回答已采纳
2回答
我使用sklearn.tree.DecisionTreeRegressor预测了一个具有两个独立变量的回归问题，即特征"X"，"Y“和预测的可靠变量"Z”。当我绘制树时，叶子似乎与分类树没有太大不同。结果不是每个叶上的函数，而是每个叶上的单个值，就像在分类中一样。 有人能解释一下，为什么这被称为回归，为什么它不同于分类树吗？ 因为我似乎误解了sklearn类，有没有python的树包，它会进行“真正的”回归，并且在每个叶子上都有一个输出函数？对于X、Y和Z，这可能是每片叶子上的某种曲面。
浏览 46提问于2021-01-08得票数 0
在我的代码中，它抛出了一个运行时错误。在这里，我尝试对回归数据进行RFE拟合。
from sklearn.feature_selection import RFE
from sklearn.svm import SVR
from sklearn.feature_selection import SelectKBest
from sklearn.preprocessing import *
scaler = StandardScaler().fit(trainFeatures)
xscaled = scaler.transform(trainFeatures)
estim
浏览 0提问于2018-10-16得票数 1
1回答
我想知道在Python中是否有一个函数可以找到最小绝对偏差和考虑点的不确定性的一组数据的最佳拟合线( 2D)或最佳拟合平面( 3D)。
事实上，我有三维点，我想要它们中最适合的平面。在sklearn和statsmodel python库中都存在加权最小二乘(WLS)拟合函数，通过在状态模型的分位数回归中加入q=0.5，得到最小绝对偏差。然而，怎样才能有加权最小绝对回归拟合函数呢？
浏览 2提问于2020-05-29得票数 0
我正在尝试将LogisticRegression模型从sklearn应用到MNIST数据集，并且我已经将培训-测试数据分成了70-30个部分。
然而，当我简单地说model.fit(train_x, train_y)时，需要很长的时间。
我在启动逻辑回归时没有添加任何参数。
代码：
import seaborn as sns
import matplotlib
import matplotlib.pyplot as plt
from sklearn.datasets import fetch_mldata
from sklearn.linear_model import Logistic
浏览 1提问于2019-04-26得票数 1
1回答
如何检验线性回归模型中的预测值是否与实际值相匹配？
我试过使用-混淆矩阵，但我得到了这个错误-
#==============================================================================
# Create confusion matrix to evaluate performance of data
#==============================================================================
from sklearn.metrics import confus
浏览 0提问于2018-07-27得票数 3
我正在尝试使用sklearn来预测一个表示旋转的变量。由于在旋转的极端时不幸地从-pi跳到了π，我认为更好的方法是使用复数作为目标。这样，从1+0.01j到1-0.01j的错误就不会有那么大的破坏性。
我找不到任何文档来描述sklearn是否支持复数作为分类器的目标。从理论上讲，距离度量应该可以很好地工作，因此它至少应该适用于一些回归算法。
有没有人能建议我如何让回归算法以复数为目标进行运算？
浏览 0提问于2012-08-17得票数 5
回答已采纳
有预测比例的标准方法，如logistic回归(无阈值)和β回归。已经就这方面进行了讨论：
我不知道在sklearn框架中是否存在工作。
浏览 3提问于2017-05-29得票数 6
回答已采纳
2回答
请帮助我理解为什么梯度增强技术不起作用。是国标使用决策树回归内部混乱，请澄清。我正在尝试集成技术，以获得当前数据集的最佳分数。此外，递归特征消除方法似乎也存在问题，相关矩阵直觉和SKLearn的相关矩阵直觉应该产生相似的特征重要性。请帮助我理解，递归特征消除RFE，相关矩阵直觉和SKLearn的RFE没有给予类似的特征重要性。
from IPython.display import clear_output
from io import StringIO
import pandas as pd
import requests
import numpy as np
import matplotl
浏览 2提问于2017-07-31得票数 0
我用基于RBF核的支持向量机回归训练了一个模型。我想知道对于基于RBF核的支持向量机来说，哪些特征是非常重要的或主要的贡献特征。我知道有一种方法可以根据向量的大小来确定线性支持向量回归的最重要的特征。然而，对于基于RBF核的支持向量机，由于特征被转换到一个新的空间，我不知道如何提取最有贡献的特征。我正在使用python中的scikit-learn。有没有一种方法可以在基于RBF核的支持向量回归或非线性支持向量回归中提取最有贡献的特征？
from sklearn import svm
svm = svm.SVC(gamma=0.001, C=100., kernel = 'linear&
浏览 4提问于2019-11-19得票数 5
2回答
线性回归图解释
、、
我有一个直方图显示一些数据的频率。我有两种类型的文件: Pdbs和Uniprots。每个Uniprot文件都与一定数量的Pdbs相关联。因此，此直方图显示了有多少Uniprot文件与0个Pdb文件、1个Pdb文件、2个Pdb文件... 80个Pdb文件相关联。Y轴处于对数标度中。
我对同一数据集进行了回归，结果如下所示。
下面是我用于回归图的代码：
# Fitting Simple Linear Regression to the Training set
from sklearn.linear_model import LinearRegression
regressor =
浏览 5提问于2019-08-30得票数 0
我有一组数据，其中经度和纬度是自变量，温度是因变量。我希望能够执行外推，以获得纬度和经度范围之外的温度值。我认为最好的方法是执行多重回归。
我知道sklearn有从他们的linear_model库执行线性多元回归的功能。
from sklearn import linear_model
regr = linear_model.LinearRegression()
regr.fit('independent data', 'dependent data')
然而，我的温度似乎与纬度或经度没有线性关系。因此，我推断的一些值似乎是错误的。
我在想，也许我可以通过执行
浏览 15提问于2019-03-04得票数 3
1回答
我对如何使用sklearn和状态模型进行线性回归有基本的理解。关于线性回归(OLS估计)，我想问几个问题：
对于最小二乘估计器来说，标准化总是必要的吗？我还在学习回归分析的一些理论方面。标准化是在我的数据科学课中提到的，但在我的回归分析中几乎没有提到。如果不是，什么时候应用标准化(也需要标准化预测变量)？
我试着比较了这两种方法，在评价指标(Mse)方面，结果是比较相似的，但就系数而言，它是非常不同的(由于不同的预测因子的尺度)。如果是这样，如何比较一个预测器的重要性？
我尝试将结果与非标准化数据上的状态模型OLS进行比较。在此基础上，统计模型的均方误差比滑雪板模型差得多。然而，sklearn
浏览 0提问于2019-10-31得票数 0
2回答
回归在机器学习中的局限性？
、、、、
最近，我一直在学习ML的一些核心概念，并使用Sklearn库编写代码。经过一些基本实践之后，我尝试了一下来自kaggle (大约有40000个样本)的AirBnb NYC数据集- 。
考虑到数据集的各种特性，我试图建立一个模型来预测一个房间/apt的价格。我意识到这是一个回归问题，并使用这个学习小抄，我开始尝试各种回归模型。
我使用sklearn.linear_model.Ridge作为我的基线，在做了一些基本的数据清理之后，我在我的测试集上得到了一个糟糕的R^2分数0.12。然后我想，也许线性模型太简单了，所以我尝试了适合回归(sklearn.kernel_ridge.Kernel_R
浏览 2提问于2020-05-11得票数 2
回答已采纳
1回答
我有一个大约150个样本的数据集，其中每个样本有11个输入和3个输出。我试图建立一个完整的回归模型来接受11个要训练的输入来预测3个输出，问题是样本如此之少，训练一个完整的模型几乎是不可能的。出于这个原因，我正在尝试使用pythons sklearn中的回归，例如线性回归。根据我所能发现的，大多数回归模型要么支持一个输入来预测一个输出(在回归完成之后)，要么支持多个输入来预测一个输出。 问:是否有任何类型的回归支持许多输入来预测许多输出。或者任何可能更适合我的需求的回归类型。 谢谢你的帮助！
浏览 12提问于2021-09-21得票数 0
1回答
我试着用logistic回归来做预测，用Python和sklearn库测试准确性。我正在使用我从这里下载的数据：
它的excel文件。我编写了一个代码，但是我总是得到相同的错误，错误是：
ValueError: Unknown label type: 'continuous'
我在做线性回归时使用了同样的逻辑，它适用于线性回归。
这是代码：
import numpy as np
import pandas as pd
import xlrd
from sklearn import linear_model
from sklearn.linear_model import Lo
浏览 1提问于2019-03-01得票数 1
回答已采纳
我在python中有两个分类器，比如支持向量机和逻辑回归。
from sklearn import preprocessing
from sklearn.linear_model import LogisticRegression
from sklearn import svm
scaler = preprocessing.StandardScaler()
scaler.fit(synthetic_data)
synthetic_data = scaler.transform(synthetic_data)
test_data = scaler.transform(test_data)
s
浏览 17提问于2017-08-16得票数 0
我发现这是一个真正的伤脑筋。我有一个python 2笔记本，我用它在笔记本电脑和台式机上做线性回归。在膝上型计算机上，sklearn给出的结果与状态模型相同。然而，在桌面上，statsmodels给出了正确的结果，但是sklearn给出了错误的结果。一些系数估计值比它们应该的要大8个数量级，例如，304952680对-0.1271。再次，我保存笔记本，把它放在我的笔记本电脑上，再运行它，statsmodels和sklearn线性回归结果是相等的。在桌面上重新连接并重新运行笔记本，statsmodels也是正确的，但是sklearn LinearRegression再次崩溃。我很困惑。有人有什么
浏览 3提问于2016-02-22得票数 2
回答已采纳
我有一个概念性的问题，为什么(除了处理能力/存储)，您是否会只使用常规的线性回归而不添加多项式特性？似乎添加多项式特征(不过度拟合)总是会产生更好的结果。我知道线性回归不只是一条线，但那是只有当你决定增加多项式特征，对吗？我的经验是使用sklearn库的python。
浏览 0提问于2020-06-24得票数 1
回答已采纳
1回答
混淆矩阵中不支持连续变量
、、、
我对数据集使用线性回归算法。并试图计算y_pred和y_test之间的混淆矩阵。我得到了"ValueError : continuous is not supported"错误。
我已经包括了下面的代码。帮助解决这个问题。
x = data_set.iloc[:, :-1].values
y = data_set.iloc[:, 7].values
x_train, x_test, y_train, y_test = train_test_split(x, y, test_size = 0.25, random_state = 0)
from sklearn.linear
浏览 0提问于2019-02-22得票数 3
回答已采纳
我想使用SelectFromModel为我的模型选择最好的功能。然而，当我想要定义分类模型时，我得到了一个错误。
例如(参见下面的代码)这个代码可以工作，它也可以用于决策树、随机森林和逻辑回归：
import pandas as pd
import numpy as np
from sklearn.model_selection import train_test_split
from sklearn.feature_selection import RFE, SelectFromModel
from sklearn.svm import SVC
from sklearn.tree im
浏览 2提问于2019-08-19得票数 0
1回答
即使有10度回归，我也得到了平坦的回归。但是，如果我将日期变量更改为数字，那么回归就会起作用！有人知道为什么吗？ from sklearn.preprocessing import PolynomialFeatures
from sklearn.pipeline import make_pipeline
from sklearn.linear_model import LinearRegression
from scipy.optimize import curve_fit
## RESHAPE DATA ##
X = transformed_data.ds.values.reshape(
浏览 19提问于2021-03-23得票数 0
回答已采纳
有人能帮我吗？我在这个问题上已经被困了一段时间了。有人告诉我，这不能用回归来完成，它必须是分类。这是真的吗？这是代码：
import pandas as pd
import numpy as np
import sklearn
from sklearn import linear_model
data = pd.read_csv("InsuranceCostCalculator/Insurance.csv")
data = data[["age", "sex", "bmi", "children", "
浏览 4提问于2022-09-23得票数 1
3回答
多项式回归的基本理解问题
、、、
我对简单的线性回归有一个理解。弄清楚
📷
结果如下所示：
📷
然而，研究多项式回归是一个有一些问题的过程的挑战。我理解这样的想法:拟合曲线“线”可以更精确地跟踪数据。但是，在scikit中看到下面的Python代码--学习：
from sklearn.linear_model import LinearRegression
from sklearn.preprocessing import PolynomialFeatures
x = 2 - 3 * np.random.normal(0, 1, 20)
y = x - 2 * (x ** 2) + 0.5 * (x ** 3) + np.r
浏览 0提问于2020-05-09得票数 5
2回答
我知道线性回归做“回归”，logistic回归做“分类”。当我们实现这两种方法时，我能注意到的唯一不同是损失函数:线性回归使用均方误差这样的损失函数，logistic使用交叉熵。还有什么我不知道的区别吗？
浏览 0提问于2018-09-14得票数 1
回答已采纳
1回答
具有两个特征的线性回归可以用以下方程描述：
Y= a1x1 + a2x2 +拦截
对系数a1和a2进行多元线性回归拟合。考虑以下代码：
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
from sklearn import linear_model
file = 'https://aegis4048.github.io/downloads/notebooks/sample_data/unconv_MV_v5.csv'
df = pd.read_csv(file)[['Por&
浏览 2提问于2019-11-13得票数 1
回答已采纳
我正在尝试使用这个来自sklearn的名为SVC的库。
然而，当我运行我的程序时，我遇到了这个错误：
ValueError: Unknown label type: 'continuous'
我不知道是否有支持向量回归的回归库，这是我到目前为止唯一找到的回归库。下面是我的代码：
import sklearn
from sklearn.model_selection import train_test_split
import matplotlib.pyplot as plt
import numpy as np
from sklearn.svm import SVC
X, Y
浏览 3提问于2018-02-12得票数 2
回答已采纳
1回答
形状统计
、
我使用shap来确定具有相关特征的多元回归的特性重要性。
import numpy as np
import pandas as pd
from sklearn.linear_model import LinearRegression
from sklearn.datasets import load_boston
import shap
boston = load_boston()
regr = pd.DataFrame(boston.data)
regr.columns = boston.feature_names
regr['MEDV'] = boston.tar
浏览 1提问于2019-08-12得票数 5
回答已采纳
在python sklearn中，SGD分类器和SGD回归器有什么不同？另外，我们可以设置批处理大小以提高性能吗？
浏览 3提问于2019-02-15得票数 1
1回答
我刚刚将我的数据拆分成一个训练和测试集，我的计划是训练一个线性回归模型，并能够使用我的测试拆分检查性能。
我当前的代码是：
import pandas as pd
import numpy as np
from sklearn import datasets, linear_model
import matplotlib.pyplot as plt
df = pd.read_csv('C:/Dataset.csv')
df['split'] = np.random.randn(df.shape[0], 1)
split = np.random.rand(len
浏览 2提问于2017-04-30得票数 0
我尝试使用LinearRegression来分析多变量(例如随机森林、sklearn等)。使用Python的数据帧。
然而，它显示了一个巨大的RMSE，所以我尝试对我的数据应用非线性回归。
我想运行一个非线性回归来预测商品的价值，使用大量的数据(例如，质量，生产年份，工厂数量，整体状况和许多类别……)。
我试着在谷歌和Stackoverflow上寻找，但我只能找到使用curve_fit，polyfit的方法，它已经预测了X和Y之间的函数形式。另外，我的输入数据键值大于10，所以我想使用ML或其他一些软件包来应用非线性回归。
请帮助我并给我建议！
浏览 1提问于2020-02-01得票数 0
帮助，这个简单的代码产生了一个奇怪的错误。
from sklearn.feature_selection import RFECV
from xgboost.sklearn import XGBRegressor
import sklearn.metrics
from sklearn.metrics import mean_absolute_error
estimator = XGBRegressor()
selector = RFECV(estimator, step=1, min_features_to_select=1, cv=10, scoring='neg_mean_abs
浏览 3提问于2020-04-02得票数 2
我试图在sklearn中使用递归特征消除对该特性进行排序。但是，在使用RFE时，我得到了这个错误。以下是错误和代码信息。
📷
from sklearn import svm
x_vals = data['all_data'][:,0:320]
y_vals_new = np.array([0 if each=='Neg' else 1 if each =='Neu' else 2 for each in data['all_data'][:,320]])
clf = svm.SVC(decision_functi
浏览 0提问于2018-08-01得票数 0
回答已采纳
我正在尝试构建一个机器学习模型，该模型可以预测给定数据集的延迟( clear_date和due_in_date之间的差异)。 我将数据集拆分为x_train、y_train、x_test、validation_set。我使用的是sklearn库中的线性回归模型。当我尝试将数据拟合到线性回归模型中时，我得到了一个奇怪的错误 could not convert string to float: 'CC6000' 我该如何解决这个问题？ 以下是x_train和y_train 1：https://i.stack.imgur.com/8RP2J.png 2：https://i.stac
浏览 36提问于2021-01-29得票数 0
回答已采纳
我有一个数据帧：df = pd.read_excel I did classifier.predict(df)
我尝试过的另一件事是做df = sc.transform(df)，然后做
classifier.predict(df)结果是不同的。可能的原因是什么？
哪一个是准确的？
我正在使用Logistic回归：
#Fitting Logistic Regression
from sklearn.linear_model import LogisticRegression
classifier = LogisticRegression(random_state =0)
classifier.f
浏览 2提问于2021-07-12得票数 0
2回答
我正在使用Python2.7和Scikit-学习使用多元线性回归来拟合数据集，其中不同的项相乘在一起，而不是像sklearn.linear_models.Ridge中那样相加。
因此，不是
y = c1 * X1 + c2 * X2 + c3 * X3 + ...
我们需要
y = c1 * X1 * c2 * X2 * c3 * X3...
我们能让Python和Sklearn拟合和预测这样的乘法/享乐回归模型吗？
浏览 0提问于2013-05-05得票数 3
1回答
二次线性回归
、、、
我最近一直在研究机器学习，现在我开始使用scikit和线性回归技术。
这是我的第一个样本
from sklearn import linear_model
import numpy as np
X = [[1],[2],[3],[4],[5],[6],[7],[8],[9],[10]]
y = [2,4,6,8,10,12,14,16,18,20]
clf = linear_model.LinearRegression()
clf.fit (X, y)
print(clf.predict([11]))
==> 22
输出结果与预期的一样，22 (显然，scikit提出了2x作为假设
浏览 2提问于2015-11-14得票数 6
回答已采纳
我尝试将状态模型的logistic回归结果与sklearn结果进行比较。其实我也试着和R的结果进行比较。我做了选择C=1e6(没有惩罚)，但我得到了几乎相同的系数，除了拦截。
model = sm.Logit(Y, X).fit()
print(model.summary())
==>截距= 5.4020
model = LogisticRegression(C=1e6,fit_intercept=False)
model = model.fit(X, Y)
===>截距= 2.4508
因此，我阅读了用户指南，他们说，指定一个常量(a.k.a )。偏倚或截取)应添加到决策函数中。
浏览 6提问于2016-10-06得票数 4
2回答
岭回归规范化
、、、、
我建立了一个简单的线性模型，其中X(维数D)变量来自具有0协方差的多重正态变量。只有前10个变量的真系数为1，其余变量的系数为0。因此，理论上，岭回归结果应该是真系数除以(1+C)，其中C是惩罚常数。
import numpy as np
from sklearn import linear_model
def generate_data(n):
d = 100
w = np.zeros(d)
for i in range(0,10):
w[i] = 1.0
trainx = np.random.normal(size=(n,d))
e
浏览 1提问于2018-06-07得票数 0
回答已采纳
1回答
我正在尝试用Python创建一个简单的线性模型，不使用任何库(除了numpy)。这是我的资料 import numpy as np
import pandas
np.random.seed(1)
alpha = 0.1
def h(x, w):
return np.dot(w.T, x)
def cost(X, W, Y):
totalCost = 0
for i in range(47):
diff = h(X[i], W) - Y[i]
squared = diff * diff
totalCost += squared
return
浏览 20提问于2019-02-08得票数 5
回答已采纳
扫码
添加站长 进交流群
领取专属 10元无门槛券
手把手带您无忧上云
相关资讯
热门标签
云服务器
ICP备案
对象存储
实时音视频
即时通信 IM活动推荐
腾讯云开发者
