Question

我从许多绑架者那里收到数据我想通过线性回归实时预测电子故障（我想在模型中添加新值）

我有一个小例子：

from sklearn.linear_model import LinearRegression
from sklearn.datasets import make_regression
#dataset
#X : Date in millisecond; temperature degree; humidity %
#y : 0= no problem; 1 = electronic failure
X=[[969695100000,15,10],[969788280000,30,50],[975042120000,20,3]]
y=[0,1,0]
model = LinearRegression()
model.fit(X, y)


# Prediction
Xnew, _ = make_regression(n_samples=3, n_features=3, noise=0.1, random_state=1)
ynew = model.predict(Xnew)
for i in range(len(Xnew)):
    print("X=%s, Predicted=%s" % (Xnew[i], ynew[i]))

我有真实数据X：日期；温度和湿度和y，0 =>没问题，1传感器出现故障我每天都有新数据，我想每天更新我的模型。

我的目标是利用这些数据来预测明天的传感器故障。

我的问题是：如何向模型添加数据？

Answer 1

我找到了实时更新模型的解决方案，我使用了part_fit，我像这样更新了我的代码：

import numpy as np
from sklearn import linear_model
from sklearn.datasets import make_regression

n_samples, n_features = 10, 5

X=[[969695100000,15,10],[969788280000,30,50],[975042120000,20,3]]
y=[0,1,0]
model = linear_model.SGDRegressor()
for i in range(0,1000):
    model.partial_fit(X, y)

Xnew, _ = make_regression(n_samples=3, n_features=3, noise=0.1, random_state=1)
ynew = model.predict(X)
for i in range(len(Xnew)):
    print("X=%s, Predicted=%s" % (Xnew[i], ynew[i]))

我有最后一个问题，有可能仅用日期预测y值？实际上，要预测y明天，我需要拥有所有X数据，仅可以进行预测： X = [975042120100] 没有温度和湿度，仅以毫秒为单位？

python LinearRegression进行实时预测

1 个答案: