对于一个数据点,我有一个回归函数,g1(x) = 5x - 1
。
我有另一个回归函数,g2(x) = 3x + 4
。
我想添加这两个模型来创建最终的回归模型,G(x)
。
这意味着:
G(x) = g1(x) + g2(x)
=> 5x - 1 + 3x + 4
=> 8x +3
我的问题是,如何在 python 中完成此操作?如果我的数据集是 X
,我将使用这样的 statsmodels:
import statsmodels.api as sm
from statsmodels.sandbox.regression.predstd import wls_prediction_std
import numpy as np
mod_wls = sm.WLS(y, X)
res_wls = mod_wls.fit()
print res_wls.params
这给了我适合数据X
的回归函数的系数。
要添加函数,我可以轻松获取每个函数的系数,并将它们相加以获得新回归函数(例如 G(x))的系数。但是现在我已经有了自己的系数,如何将它们转换为回归函数并使用它们来预测新数据?因为据我所知,模型必须先与数据“拟合”,然后才能用于预测。
或者有没有办法直接添加回归函数?我将在我的算法中迭代地添加函数。
最佳答案
该模型生成的预测应该是准确的
np.dot(X_test, res_wls.params)
因此,如果您想对多个模型求和,例如
summed_params = np.array([res_wls.params for res_wls in all_my_res_wls]).sum(axis=0)
你的预测应该是
np.dot(X_test, summed_params)
在这种情况下,无需使用估计器的内置函数。
关于python - 如何在 python 中添加回归函数,或根据给定系数创建新的回归函数?,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/23248583/