我正在使用statsmodels的加权最小二乘回归，但得到一些非常大的值。
这是我的代码：
X = np.array([[1,2,3],[1,2,3],[4,5,6],[1,2,3],[4,5,6],[1,2,3],[1,2,3],[4,5,6],[4,5,6],[1,2,3]])
y = np.array([1, 1, 0, 1, 0, 1, 1, 0, 0, 1])
w = np.array([0.5, 0.5, 0.5, 0.5, 0.5, 0.5, 0.5, 0.5, 0.5, 0.5])
temp_g = sm.WLS(y, X, w).fit()
现在，我理解的是，在WLS回归中，就像在任何线性回归问题中一样，我们提供了endog向量和exog向量，函数可以找到最佳拟合线并告诉我们系数/回归每个观察的参数应该是。例如，在我的数据中，每个观察包含3个特征，我希望有3个参数。
所以我这样取了它们：
parameters = temp_g.params # I'm hoping I've got this right! Or do I need to use "fittedvalues" instead?
问题在于我得到了如此巨大的价值观：
temp g params :
[ -7.66645036e+198 -9.01935337e+197 5.86257969e+198]
或者这个：
temp g params :
[-2.77777778 -0.44444444 1.88888889]
在进一步使用这些参数时会出现问题，特别是因为我也有一些指数可以使用，我需要将e提升到一些回归参数的功能，这是不可能的，鉴于这么大的数字。因为在使用exp()时我不断出现溢出错误。
这是正常的吗？难道我做错了什么？或者是否有一种特定的方法使它们有用？