为什么当我打印出来并用系数和截距计算时,我的目标值不一样?
Why is my target value not the same when I print it out and calculate it with the coefs and intercept?
我使用多项式回归模型来预测我的目标值。
问题是我的预测,使用“预测”方法,是有道理的,但是当我通过系数和截距计算目标变量时,我得到的值与预测方法的给定值相去甚远。
pol = PolynomialFeatures(degree= 9)
xp = pol.fit_transform(x_train)
poly_reg = LinearRegression()
poly_reg.fit(xp,y_train)
poly_test = pol.fit_transform(x_test)
pred = poly_reg.predict(poly_test)
poly_reg.predict(pol.fit_transform([[2]]))
Output:
array([[6.07673981]])
如果我通过系数和截距计算 x = 2 的 y 值,我得到一个大约 90 的值。
[[ 0.00000000e+00, 4.66507179e+00, -7.69101941e-01 ,-5.47401755e-01,
2.92321976e-01, -5.57600284e-02, 5.44143396e-03, -2.91464609e-04,
8.16565621e-06, -9.36811416e-08]][[0.99640058]]
在多项式变换中变量的值以符合线性model.so的方式转换,如果等式是
x^3+x^2+x+c 这是多项式方程
当您应用多项式特征时,它会创建 X 的值,以便我们可以在线性方程中使用它,以便我们可以应用线性模型。
所以使用线性系数和 x 的实际多项式值将给出不同的答案
我使用多项式回归模型来预测我的目标值。 问题是我的预测,使用“预测”方法,是有道理的,但是当我通过系数和截距计算目标变量时,我得到的值与预测方法的给定值相去甚远。
pol = PolynomialFeatures(degree= 9)
xp = pol.fit_transform(x_train)
poly_reg = LinearRegression()
poly_reg.fit(xp,y_train)
poly_test = pol.fit_transform(x_test)
pred = poly_reg.predict(poly_test)
poly_reg.predict(pol.fit_transform([[2]]))
Output:
array([[6.07673981]])
如果我通过系数和截距计算 x = 2 的 y 值,我得到一个大约 90 的值。
[[ 0.00000000e+00, 4.66507179e+00, -7.69101941e-01 ,-5.47401755e-01, 2.92321976e-01, -5.57600284e-02, 5.44143396e-03, -2.91464609e-04, 8.16565621e-06, -9.36811416e-08]][[0.99640058]]
在多项式变换中变量的值以符合线性model.so的方式转换,如果等式是
x^3+x^2+x+c 这是多项式方程
当您应用多项式特征时,它会创建 X 的值,以便我们可以在线性方程中使用它,以便我们可以应用线性模型。
所以使用线性系数和 x 的实际多项式值将给出不同的答案