理解Sklearn的线性回归权重
我有困难得到skLearning的线性回归中的加权数组来影响输出。
这里有一个没有加权的例子。
import numpy as np
import seaborn as sns
from sklearn import linear_model
x = np.arange(0,100.)
y = (x**2.0)
xr = np.array(x).reshape(-1, 1)
yr = np.array(y).reshape(-1, 1)
regr = linear_model.LinearRegression()
regr.fit(xr, yr)
y_pred = regr.predict(xr)
sns.scatterplot(x=x, y = y)
sns.lineplot(x=x, y = y_pred.T[0].tolist())
现在，当添加重量时，我得到了相同的最佳拟合线。我希望看到回归有利于曲线的陡峭部分。我做错了什么？
w = [p**2 for p in x.reshape(-1)]
wregr = linear_model.LinearRegression()
wregr.fit(xr,yr, sample_weight=w)
yw_pred = regr.predict(xr)
wregr = linear_model.LinearRegression(fit_intercept=True)
wregr.fit(xr,yr, sample_weight=w)
yw_pred = regr.predict(xr)
sns.scatterplot(x=x, y = y) #plot curve
sns.lineplot(x=x, y = y_pred.T[0].tolist()) #plot non-weighted best fit line
sns.lineplot(x=x, y = yw_pred.T[0].tolist()) #plot weighted best fit line
共有1个答案
这是由于代码中的错误造成的。加权模型的拟合应为：
yw_pred = wregr.predict(xr)
而不是
yw_pred = regr.predict(xr)
有了这个，你会得到：
-
主要内容：实现线性回归算法,线性回归步骤Scikit-learn 简称 sklearn 是基于 Python 语言实现的机器学习算法库，它包含了常用的机器学习算法，比如回归、分类、聚类、支持向量机、随机森林等等。同时，它使用 NumPy 库进行高效的科学计算，比如线性代数、矩阵等等。 Scikit-learn 是 GitHub 上最受欢迎的机器学习库之一，其最新版本是 2020 年12 月发布的 scikit-learn 0.24.1。
-
我对机器学习算法不熟悉，对统计学知识了解不多。我知道这个例子可能不能给你正确的体积预测。然而，让我们考虑我有两个功能和来预测音量。这是样本数据 让我们假设股票是“趋势股票”，在第四天和第五天，股票价值正在上升。我想预测剩余时间框架的音量。在这种情况下，线性回归如何计算数量的产出值？
-
本文向大家介绍sklearn+python:线性回归案例，包括了sklearn+python:线性回归案例的使用技巧和注意事项，需要的朋友参考一下 使用一阶线性方程预测波士顿房价 载入的数据是随sklearn一起发布的，来自boston 1993年之前收集的506个房屋的数据和价格。load_boston()用于载入数据。 输出内容为： 可以看到测试集上准确率并不高，应该是欠拟合。 使用多项式做线
-
我试图拟合在库中实现的线性回归模型。 我对方法有疑问。假设我有大小为15的数据样本，我将其分为3部分，并拟合模型。调用每个将正确拟合模型或覆盖以前的值。
-
我在做多元回归问题。我有如下数据集。 我把工资作为因变量，其他变量作为自变量。在做了数据预处理之后，我运行了梯度下降、回归模型。我估计了所有独立特征的偏差（截距）和系数。我想做实际值的散点图和我预测的假设的回归线。因为我们这里有不止一个功能， 我有以下问题。 > 在绘制回归线时，特征值是多少，这样我就可以计算假设值。？意思是现在，我有截距和所有特征的权重，但是我没有特征值。我现在如何决定特征值？
-
问题内容： 有谁知道Java中的科学/数学库可以直接实现加权线性回归吗？函数的某些东西，带有3个参数并返回相应的系数： 这似乎很简单，所以我想它存在于某个地方。 PS）我已经尝试过Flannigan的库：http ://www.ee.ucl.ac.uk/~mflanaga/java/Regression.html ，它的想法正确，但似乎偶尔会崩溃并抱怨我的自由度？ 问题答案： 不是库，而是发布了代