假设我有预测变量数组x=numpy.array(n,px)和预测数组y=numpy.array(n, py)
在python中计算从x到y（1 ... py）的每个维度的所有回归（线性）的最佳方法是什么？
整个事物的输出将是矩阵（py，px）（对于每个输出，px参数）。
我当然可以轻松地迭代输出维度（对于每个计算正常单输出多变量输入OLS），但是这将是低效的，因为我将重新计算x的伪逆矩阵。
那里有没有有效的实施？ 找不到任何（http://wiki.scipy.org/Cookbook/OLS）
答案 0 :(得分：0)
我认为scikit-learn已经这样做了，所以我查看了source code并发现他们使用scipy.linalg.lstsq（见第379行）。
根据the docs，scipy版lstsq确实接受矩阵作为b参数。 （实际上numpy version也接受矩阵值。）
也许这些是你在找什么？
答案 1 :(得分：0)
sklearn.linear_model.LinearRegression的fit（）方法接受多目标输出，因此现在在sklearn中本地处理。只需使用二维数组作为形状的拟合（X，y）的y值（n_samples，n_targets）。