线性回归：需要澄清Coef *特征含义

Question

任何人都可以请解释我是否有因变量，例如：结果（Y），它是由

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？

Answer 1

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_)