我正在使用Python 2.7和Scikit - 学习使用多重线性回归拟合数据集，其中不同的术语相乘而不是像sklearn.linear_models.Ridge一样加在一起。
所以而不是
y = c1 * X1 + c2 * X2 + c3 * X3 + ...
我们需要
y = c1 * X1 * c2 * X2 * c3 * X3...
我们能否启用Python和Sklearn来拟合和预测这种乘法/享乐回归模型？
答案 0 :(得分：4)
我认为你应该可以通过操纵输入数据集（数据矩阵）来进行常规线性回归。
回归y~c1 * X1 * c2 * X2 * ...相当于y~k *（X1 * X2 * ...）其中k是某个常数
因此，如果将设计矩阵中的所有值相乘，然后对此进行回归，我认为您应该可以这样做。
即。如果你的数据矩阵X是4 x 1000，具有X1，X2，X3和X4特征，则使用预处理步骤创建一个新的矩阵X_new，即1 x 1000，其中单列等于X1 * X2 * X3 * X4，然后适合y~X_new（clf = LinearRegression（），clf.fit（X_new，y））
答案 1 :(得分：0)
这就是你需要的。 X是所有X值的矩阵。
Y是所有Y值的矩阵或向量。
学位是您允许公式的最高学位。像X ^ 2的度数是2，而X1 ^ 2 * X2 ^ 3的度数是5.你需要自己决定。
from sklearn.preprocessing import PolynomialFeatures
from sklearn import linear_model
poly = PolynomialFeatures(degree=degree)
X_ = poly.fit_transform(X)
model = linear_model.LinearRegression(fit_intercept=True)
model.fit(X_, Y)