Question

我正在使用加权最小二乘法在python中进行多元回归。我有一个10x4的数据集，换句话说，对于数据中的每个样本，有4个特征。

如果我的数据集是X，我可以执行以下操作来获取回归函数的系数：

import numpy as np
import statsmodels.api as sm
from statsmodels.sandbox.regression.predstd import wls_prediction_std

mod_wls = sm.WLS(y, X)
res_wls = mod_wls.fit()
print res_wls.params

对于我的特定10x4数据集，这给出了以下输出：

[ 0.06210193  5.24256099  0.15214974  0.12325115]

但是，我被告知我需要通过迭代g(X)中的每个x[i]并总结不同的回归函数来构建回归函数X。

我猜测（但如果我错误地理解了这一点，我会很乐意纠正），我猜这意味着g(x) = g(x1) + g(x2) + g(x3) + ... + g(x10)

所以对于例如。假设第一行数据的函数给出以下系数：

[ 0.11  1.22  0.33  0.88]

我得到的第二行数据

[ 1.22  0.55  0.44  0.11]

因此，经过两次迭代后，我的g(x)应该给出以下系数：

[ 1.33  1.77  0.77  0.99]

因为对于第一个系数，0.11 + 1.22 = 1.33，依此类推。依此类推，直到第十个数据样本。

现在我的问题是 - 如何在scikit-learn中添加回归功能？

迭代每个样本，抓取系数并单独添加它们 - 这是唯一的方法吗？

假设我已经得到了最终系数，我现在如何使用这些最终系数声明回归模型，以便我可以将数据传递给它来预测值？

Answer 1

我认为你的意思是从加权最小二乘方程得出的拟合方程中得到预测。

在这种情况下，g（X1，X2，X3，X4）= 0.06210193 * X1 + 5.24256099 * X2 + 0.15214974 * X3 + 0.12325115 * X4

因此，对于数据集中的第一行：[0.11 1.22 0.33 0.88] g（0.11,1.22,0.33,0.88）= 0.06210193 * 0.11 + 5.24256099 * 1.22 + 0.15214974 * 0.33 + 0.12325115 * 0.88

或

g（0.11,1.22,0.33,0.88）= 6.561426046

如果您想了解有关多元回归的更多信息，可以在此处找到：https://stats.stackexchange.com/questions/tagged/multiple-regression

如何使用多元回归函数进行预测，该函数是其他回归函数的总和

1 个答案: