线性回归：需要澄清Coef *特征含义

Question

任何人都可以解释我是否拥有从属变量，例如结果（y），由

定义

y = K1*F1 + K2*F2 + ... + Kn*Fn + E

每个特征，其中K - 系数，F - 特征（分类和连续），E - 错误

那是否意味着K1*F1是每1个特征的结果？

Answer 1

简答： 是的，这意味着什么（如果你不考虑E）。

长答案： 请参阅下面我刚刚在Jupyter上做的代码。

正如你所看到的，我用一些＆＃34;噪音生成一些数据＆＃34;然后将其与sklearn.linear_model.LinearRegression相符。然后我得到我的系数（+截距），你看到回归实际上是x.coeff +截距，如果我是正确的，那么你是K1*F1

from sklearn.linear_model import LinearRegression
import numpy as np
from matplotlib import pyplot as plt

noise = 2

lr = LinearRegression()
x, y = [], []
i=0
while i<10:
    for j in range(np.random.randint(1,5)):
        x.append(i)
        y.append(i+np.random.rand()*noise+(noise/2))
    i+=np.random.rand()

%matplotlib inline
plt.scatter(x, y)

x = np.asarray(x).reshape(-1, 1)
y = np.asarray(y).reshape(-1)

lr.fit(x,y)
plt.plot(x, np.multiply(x, lr.coef_[0])+lr.intercept_)