我一直在尝试通过线性回归来拟合这些数据,遵循bigdataexaminer的教程。在此之前,一切都运行得很好。我从sklearn导入了LinearRegression,并打印出了系数的数量。这是我试图从控制台获取系数之前的代码。
import numpy as np
import pandas as pd
import scipy.stats as stats
import matplotlib.pyplot as plt
import sklearn
from sklearn.datasets import load_boston
from sklearn.linear_model impo
我正在尝试使用R中的reticulate包。有一个很好的,但我没有取得太多进展。假设我想做一些的事情。(是的,我知道R可以很好地做到这一点,但我现在只是在测试一些东西……)
library(reticulate)
# import modules
pd <- import("pandas")
np <- import("numpy")
skl_lr <- import("sklearn.linear_model")
# set up variables and response
x <- mtcars[, -1]
y
我正在努力学习如何使用滑雪板,TF,熊猫在侏儒。我成功地导入了上述库,并测试了代码,通过在训练和测试之后打印准确性来确保它们的功能。sklearn内部的所有其他功能都不存在任何问题,包括linear_model和LinearRegression();但是,当我尝试使用_linear.coef_或_linear.predict()时,会收到一个未解析引用“线性”的错误。我在网上找到的文档显示,上述所有功能都是同一个库的一部分。你知道为什么有些库可以在没有问题的情况下工作,但其他部分却没有解决吗?
import sklearn
from sklearn.utils import shuffle
f
我正试着把我的信息打印到数据框里。当我使用下面的代码时,我会得到 SyntaxError: print语句的语法无效。 如果print (i,slr.coef_)前面没有dataframe调用,则代码可以工作 for i in qual_train.columns:
X = qual_train[[i]]
y = train['SalePrice']
slr = LinearRegression()
slr.fit(X, y)
print pd.DataFrame(i, (slr.coef_))```
我看到了多个关于学习过程中的以下错误的简单问题:
AttributeError: LinearRegression对象没有属性.
我找不到任何关于我的问题的提示:
AttributeError: LinearRegression object has no attribute 'model'
我尝试用以下代码进行多线性回归y~x:
import statsmodels.api as sma
from sklearn import linear_model
#https://scikit-learn.org/stable/modules/generated/sklearn
以下脚本在Linux (Mint 18.1)上运行良好。
该函数生成一个月销售额数组"Y“,并从数组中删除NaN值。然后,它生成一个numpy.arange数组"X",从1到Y的长度。然后,它基于X和Y建立线性模型,并计算系数。
import pandas as pd
import numpy as np
from io import StringIO
from sklearn import linear_model as lm
data=
'''Fruit jan feb mar apr may jun jul aug se
我已经在PolynomialFeatures的帮助下拟合了一个模型,但我不知道如何获取模型的系数。代码如下:
import numpy as np
import pandas as pd
from sklearn.linear_model import LinearRegression
from sklearn.preprocessing import PolynomialFeatures
from sklearn.pipeline import make_pipeline
import matplotlib.pyplot as plt
X = np.matrix([0,1,2,3,4,5,
我正在执行多重多项式回归使用学习。我不明白的是,怎么才能得到完整的多项式公式呢?打印的coef_的顺序正确吗?我正试图建立一个正确的回归方程,但没有任何效果。
我有一个代码,在这里,我得到了预测的值,系数和截距。
from sklearn.linear_model import LinearRegression
from sklearn.preprocessing import PolynomialFeatures
Y = df['Y']
X = df[['X1', 'X2']]
poly = PolynomialFeatures(degre
我试图在scikit中使用递归特性消除(RFE)函数--学习,但始终得到错误的ValueError: coef_ is only available when using a linear kernel。我试图使用rbf核为支持向量分类器(SVC)执行特征选择。网站中的这个示例执行得很好:
print(__doc__)
from sklearn.svm import SVC
from sklearn.cross_validation import StratifiedKFold
from sklearn.feature_selection import RFECV
from sklearn.
我目前正在使用scikit-learn来训练。
在我根据数据训练一个模型之后,我想改变我的模型的coef_。
#initiate svm
model = svm.SVC(Parameters...)
#train the model with data
model.fit(X,y)
#Now i want to change the coef_ attribute(A numpy array)
model.coef_ = newcoef
问题:它给了我一个AttributeError: can't set attribute。或者当我试图访问属性中的numpy数组时,它会给我Val
我正在尝试使用一个来训练一个逻辑回归模型,这个模型是我在小批量上使用partial_fit的:
sgdLogReg = SGDClassifier(loss='log')
for i in range(math.ceil(len(X_train)/mini_batch_size)):
sgdLogReg.partial_fit(X_train[i*mini_batch_size:(i+1)*mini_batch_size],
Y_train[i*mini_batch_size:(i+1)*mini_batch_siz
我试图在我的代码中实现sklearn的套索。为了测试它,我决定用alpha = 0进行测试。根据定义,这应该产生与LinearRegression相同的结果,但事实并非如此。
以下是代码:
import pandas as pd
from sklearn.linear_model import Lasso
from sklearn.linear_model import LinearRegression
# Don't worry about this. It is made so that we can work with the same dataset.
df = pd.rea
这是个愚蠢的问题,我知道,但这让我很紧张。一切似乎都很好,但我无法在情节中显示出来。
为了你的方便,我把它放到了一个公开的Google 记事本上。
T代表月份,f_t是销售(累计)。我为模型提供12个月的数据,并使用第13个月进行预测。很简单。
import random
import pandas as pd
import numpy as np
from sklearn.linear_model import LinearRegression
from sklearn.metrics import mean_squared_error
from matplotlib import pypl
对模型进行拟合后,无法得到特征的重要性。我已经完成了以下步骤: model_bow = RandomizedSearchCV(MultinomialNB(class_prior=[0.5,0.5]),param_distributions={'alpha':alpha},scoring='roc_auc',n_iter=10,return_train_score=True,) model_bow.fit(X_train_en_bow,y_train) model_bow.best_params_给了我best value is {'alpha'
当我用熊猫get_dummies创建分类列时,我正试图理解如何使用sklearn作为线性回归模型。
我有一个数据集,布局如下:
y = Carsales
X = Unemployment, Queries, CPI_energy, CPI_all, Month(comes in as an int)
我做的第一件事是将月份转换为对象,然后是类别(直接转换为类别类型在熊猫中不起作用)。
df['MonthFac'] = df['Month'].astype('object')
df['MonthFac'] = df['Mon