假设我的实际方程是y = a * b + c
所以我的数据集看起来像
brew info opencv
or
brew info opencv3
(depending on how you installed it)
等等。我要使用哪个模块才能获得告诉我“ y = a * b + c”的输出？这有可能吗？
y = a * a + b怎么样？任何指向文档或我应该尝试的解释的指针都很棒。
编辑：
重复显然是不同的情况。在该示例中，有一个描述直线的公式；在我的示例中，很多变量都适合结果。另一个人不谈论平方项。
答案 0 :(得分：1)
没有模块。您的一般问题是“最简单的函数最适合此数据？”没有通用的解决方案，因为“简单”需要适当的定义和限制才能得出有意义的答案。
代数的一个基本定理表明，N个点上的数据集可以由不超过N-1的次数多项式拟合。要限制更多，就需要定义搜索空间并在该定义内进行浏览。
是的，存在设置最大程度并在其中工作的方法。您可以编写循环以提高该程度，直到找到确切的解决方案为止。
我建议您研究Scikit的曲线拟合方法，并将其应用于自己的设计解决方案中。您可能需要遍历所选学位的所有组合，每次增加学位时都添加新术语。您可能还需要编写探索工具，以定义的复杂性顺序考虑这些术语。
对OP评论的回复：
我明白了；您一定会遵循FiveThirtyEight.com的足迹，该足迹以棒球运动和美国大选的准确性着称。根据所需的精度，此问题会很快变得很棘手。您将获得诸如((MY_OFF-OPP_DEF) ^ 1.28 + 2.1 - sqrt(OPP_GK)) / BLAH之类的字词。
在任何情况下，您都可能会进入深度学习回归应用程序，该应用程序比“简单的”产品总和方案更为复杂。使用“纯粹的”机器学习可能会获得可接受的结果，但是即使对于预测获胜者这一较简单的任务也要感到失望。
答案 1 :(得分：1)
您是否考虑过尝试scikit-learn Gradient Boosting Regressor？请参阅code examples的用户指南，了解如何在回归问题上使用此方法。
还请注意，文档指出
scikit-learn 0.21引入了两个新的实验实现 梯度增强树，即HistGradientBoostingClassifier和 受LightGBM启发的HistGradientBoostingRegressor。这些 基于直方图的估计量可能比数量级要快几个数量级 GradientBoostingClassifier和GradientBoostingRegressor何时 样本数量大于成千上万。