Python/Scikit-learn - 线性回归 - 访问线性回归方程

Question

我使用同一组预测变量构建了几个不同的线性回归，如下所示：

model=LinearRegression()
model.fit(X=predictor_train,y=target_train)
prediction_train=model.predict(predictor_train)
pred=model.predict(main_frame.iloc[-1:,1:])

为了创建目标变量的预测，我假设 Scikit 算法使用这些 "predictor variables" 创建了一个方程。我的问题是：如何访问该等式？

Answer 1

您正在寻找 params = model.coef_。 returns 一个包含每个模型输入权重的数组。

请注意，这是一个线性方程，因此要获得自己的预测，如果您有一些名为 input 的输入数组，您需要构建一个方程，使您的预测 y = sum([input[i] * params[i]]) .如果您熟悉参数向量和特征向量之间的线性代数，这就是点积。

Answer 2

from math import fabs
import pandas as pd
from sklearn.linear_model import LinearRegression

def get_regression_formula(df, independent_vars, dependent_var):
    X = df[independent_vars]
    y = df[dependent_var]
    regression = LinearRegression()
    regression.fit(X, y)
    formula = [f"{regression.intercept_:.2f} "]
    for i, var in enumerate(independent_vars):
        coef = regression.coef_[i]
        coef_abs = fabs(coef)
        if coef_abs < 0.1:
            continue
        formula.append(f"{'+' if coef > 0 else '-'} {coef_abs:.2f} * {var} ")
    return f"{dependent_var} = {''.join(formula)}"

用法示例：

>>> df.columns
Index(['x1', 'x2', 'x3', 'y'], dtype='object')
>>> print(get_regression_formula(df, ["x1", "x2", "x3"], "y")

Python/Scikit-learn - 线性回归 - 访问线性回归方程

Python/Scikit-learn - Linear Regression - Access to Linear Regression Equation

python

linear-regression

scikit-learn