1
任何人都可以请解释我是否有因变量,例如:结果(Y),它是由线性回归:需要澄清Coef *特征含义
y = K1*F1 + K2*F2 + ... + Kn*Fn + E
定义每n个特征,其中K - 系数,F - 的特征(既分类和连续)中,E - 错误
然后岂不是K1*F1
是结果每1个功能?
任何人都可以请解释我是否有因变量,例如:结果(Y),它是由线性回归:需要澄清Coef *特征含义
y = K1*F1 + K2*F2 + ... + Kn*Fn + E
定义每n个特征,其中K - 系数,F - 的特征(既分类和连续)中,E - 错误
然后岂不是K1*F1
是结果每1个功能?
简答: 是的,这就是它的意思(如果你不考虑E
)。
Long答案: 查看下面的代码我刚刚在Jupyter上做过。
正如你所看到的,我用一些“噪音”生成一些数据,然后用sklearn.linear_model.LinearRegression
来适应它。然后,我让我的系数(+拦截),你看到的回归实际上是x.coeff +拦截这是你的K1*F1
,如果我是正确的
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_)
我希望,你的发言是有效的,但不知道虽然:) – Novitoll
编辑辩论了一下:) – pltrdy
谢谢,视觉答案好多了;) – Novitoll