我有一些数据:
df_shuffled = shuffle(df, random_state=123)
X = scale(df_shuffled[df_shuffled.columns[:-1]])
y = df_shuffled["cnt"]
然后我学习了简单的线性模型:
from sklearn.linear_model import LinearRegression
regr = LinearRegression()
regr.fit(X, y)
我知道我不应该使用学习样本来验证模型，但我只是想看看我是否理解它是如何工作的。
我有很好的预测，使用模型:
regr.predict(X)[:5]
array([ 5454.26166397, 3943.78784705, 2125.27231678, 2967.02153671,
4474.29945607])
这与原始数据非常接近:
y[:5]
488 6421
421 3389
91 2252
300 3747
177 4708
Name: cnt, dtype: int64
另外，我有系数:
list(zip(df.columns, regr.coef_))
[('season', 570.86663333510262),
('yr', 1021.9670828146905),
('mnth', -141.30042168132388),
('holiday', -86.757534933339258),
('weekday', 137.22544688027938),
('workingday', 56.39322955869352),
('weathersit', -330.23017254975974),
('temp', 367.45598306317618),
('atemp', 585.57493105545359),
('hum', -145.60889630046199),
('windspeed(mph)', 12457254171589.174),
('windspeed(ms)', -12457254171787.625)]
正如我们所知，我们可以使用这样的学习模型进行预测: y=Xw，其中y是预测值向量，X是数据矩阵，w是系数向量(regr.coef_)。但是 whis 不起作用!
np.dot(X, regr.coef_)[:5]
array([ 949.90689164, -560.56692528, -2379.08245555, -1537.33323562,
-30.05531626])
这与我们从 .predict 方法中得到的完全不同。为什么？我不明白...
最佳答案
如果我没记错的话 y 不仅仅是 Xw 你必须添加 y_intercept。即 y=Xw+b 其中 b 是截距。尝试运行
np.dot(X, regr.coef_)[:5]+regr.intercept_
关于python - 线性模型预测不一致，我们在Stack Overflow上找到一个类似的问题： https://stackoverflow.com/questions/44872326/