线性回归如何做预测更有效率？

Question

我需要更改以下方法来计算和 return 线性回归预测（对于多变量或单变量情况）。

注意：'predict' 方法应该同时用于 test-set 上的预测，以及训练过程中。

输入参数：

x_feature_vectors - 包含我们要预测 y_predicted 值的所有特征向量的数据框，使用线性回归模型的权重。

注意：预计 x_feature_vectors 包含一个虚构的特征列，其中常数值 1，表示 x_0 虚构特征（称为 'x_0'）。
trained_w - 经过训练的 w-vector，即经过训练的权重向量（或来自训练中某个步骤的权重向量）。

注意：trained_w 系列应包含 w_0 单元格作为第一个单元格。所有单元格的索引都应符合 'columns'（即列标题是 'x_feature_vectors' 数据框的列索引），包括 'x_0' 虚构专栏。

return值：

y_predicted - 每个输入特征向量实例的一系列预测

我的代码：

def predict(x_featureVectors,trained_w):
    
    y_predicted = pd.Series(index=x_featureVectors.index, dtype=float)
    
    for index in x_featureVectors.index:
        y_predicted[index] = 0
        for col in x_featureVectors.columns:
            y_predicted[index] += trained_w[col] * x_featureVectors.loc[index, col]
    
    return y_predicted

我怎样才能更有效地做到这一点？我可以用一个 for 循环来做到这一点吗？

Answer 1

假设您有一个虚构的列，预测只是每行的点积向量与权重向量：

def predict(x_featureVectors, trained_w):
    return np.dot(x_featureVectors, trained_w)

线性回归如何做预测更有效率？

How do Linear regression - predict more efficient?

python

numpy

machine-learning

linear-regression

pandas