与线性回归建模方法相关的问题
如何实例化一个已知系数的Scikit-Learn线性模型而不进行拟合?
背景 我正在测试各种保存的模型,作为实验的一部分,但其中一个模型来自我写的算法,而不是来自sklearn模型拟合。然而,我的自定义模型仍然是一个 ...
我试图建立线性回归模型,但一直得到错误 "Error in terms. formula( formula, data = data) : duplicated name 'Adjusted' in data frame using '.
我已经从PostgreSQL数据库中把值导入到python中。 data = cur.fetchall() 列表是这样的:- [('Ending Crowds', 85, Decimal('50.49')), ('Salute Apollo', 73, Decimal('319.93'))][0] 我 ...
我从csv文件中读取了三个向量:x,y_low,y_high。x是独立的时间序列变量,y_low和y_high是因变量的低和高观测值。我想写一个...
我想在ggplot2中把垂直正态分布绘制到一个现有的线性回归模型中 以此来可视化同质性。我目前的代码和绘图如下: x
我使用scikit-learn模块进行线性回归。我的模型每天都会运行,现在我把模型的变量(coef_ & intercept_)存储到文件中,这样当我的模型运行时就可以再次使用。让我们...
我试图在MATLAB中建立一个具有20个预测因子的多元线性回归,这些预测因子是分类的,每个预测因子有4个级别。我正在使用函数 "回归",像这样(这些不是实际的 ...
用Statsmodels进行简单的逻辑回归。添加截距并使逻辑回归方程可视化
使用Statsmodels,我试图生成一个简单的逻辑回归模型,根据一个人的身高(Hgt)来预测他是否吸烟(Smoke)。我有一个感觉,截距需要 ...
一个R编程问题。所以我想运行多个滚动窗口回归,并保存每个回归的贝塔值。在我给定的例子中,我想将前5个obs的Y回归到X1上。
我对ML和python完全是个新手,看了线性回归,先试着实现梯度下降,谁能让我知道我做错了什么?输入数据 - x = np.array([1,2,...)
R Studio - 如何逐行预测,并在下一个预测中使用前一个预测--线性模型。
抱歉,如果不清楚,麻烦给这个标题。基本上我有一个线性模型,可以预测销量,其中一个因素是前10天的销量。所以,在预测下个月的时候,... ...
#线性回归模型 from sklearn import linear_model linear_model = linear_model.LinearRegression() linear_model.fit(x_train, y_train) print("Linear Model Coefficients:", linear_model.coef_) ....
我热心地上网查了一下,也没找到答案。我如何用sklearn计算f统计量?我真的要用手计算吗,给定公式。(其中𝑁为...
为什么我得到这个错误。发现输入变量的样本数不一致。[1, 15]
我正试图解决下面的问题,但我得到了一个错误。 from sklearn.linear_model import LinearRegression from sklearn.preprocessing import PolynomialFeatures from sklearn.metrics...。
当我改变SciKit线性模型中带有正则化的列的顺序(特征顺序)时,我得到的分数是不同的。我已经用ElasticNet和Lasso进行了测试。我使用的是scikit-learn==...。
这是我的代码 X_train , X_test, y_train, y_test = train_test_split(X, y, test_size=0.4, random_state=101) 这是我得到的ValueError: 发现输入变量的数量不一致... ...
在tensorflow中训练线性回归模型时,如何确定分类特征中相应的数值权重?
我已经使用张量流训练了一个线性回归模型。我有数字和分类特征。在这个例子中,分类特征是 "has_Alt",它的值是 ...
在jupyter中运行reg.predict时遇到问题,ntbk说 "ValueError"。
试图用python学习sklearn。但是jupyter ntbk给出的错误信息是 "ValueError.Expected 2D array, got scalar array instead: array=750: Expected 2D array, got scalar array instead: array=750. 使用array.reshape(-1, 1)......重塑你的数据。
我想预测Y的值作为X的函数#回归线性的公式W = np.linalg.inv( X.T @ X ) @ X.T @ Y 现在我可以预测值,因为我可以这样做。