逻辑回归错误:Y值必须为0 <= y <= 1
逻辑回归错误是指在进行逻辑回归模型训练或预测时，Y值必须在0到1之间，而出现了超出这个范围的情况。这种错误可能会导致模型无法准确预测概率，影响模型的性能。
逻辑回归是一种用于解决分类问题的统计学习方法，常用于二分类任务。其基本思想是利用特征变量的线性组合，通过逻辑函数（如sigmoid函数）将结果映射到[0, 1]之间的概率值，进而进行分类决策。
出现逻辑回归错误的原因可能有以下几点：
- 特征值缺失或异常：在特征处理过程中，可能会存在特征值缺失或异常的情况，导致计算结果出现错误。解决办法是对缺失值进行填充或异常值进行处理，以保证输入的特征值符合逻辑回归的要求。
- 数据标准化不准确：逻辑回归模型对输入数据的标准化要求较高，通常需要将特征值进行标准化处理，使其具有相似的尺度和分布。如果标准化过程不准确，可能会导致结果超出[0, 1]的范围。因此，在进行特征标准化时，要选择适当的方法并确保准确性。
- 参数设置错误：逻辑回归模型中有一些参数需要设置，如正则化系数、学习率等。如果参数设置不当，可能会导致模型无法正确收敛或产生错误的预测结果。因此，在进行模型训练时，需要仔细选择和调整参数，以确保模型的有效性和正确性。
逻辑回归在实际应用中具有广泛的应用场景，例如金融风险预测、医学诊断、用户行为分析等。对于逻辑回归错误的修正，可以采取以下方法：
- 检查数据：首先，需要检查数据是否存在缺失值或异常值，并进行相应的数据预处理操作，如填充缺失值、去除异常值等。
- 特征工程：特征工程是指通过特征的提取、转换、选择等操作，提高模型性能和泛化能力。可以尝试对特征进行多项式扩展、特征选择、特征缩放等方法，以提高模型的拟合度。
- 参数调优：通过调整逻辑回归模型的参数，如正则化系数、学习率等，来提高模型的性能和准确性。可以尝试使用交叉验证等方法来选择最优的参数组合。
- 模型评估：对训练好的逻辑回归模型进行评估，可以使用一些指标如准确率、精确率、召回率等来评估模型的性能，以及使用ROC曲线、AUC等指标来评估模型的预测能力。
对于腾讯云相关产品和服务，可以考虑使用腾讯云的云计算基础产品，如云服务器、云数据库、云存储等，以及云原生服务，如容器服务、函数计算等。此外，腾讯云还提供了音视频处理、人工智能、物联网等相关的服务和解决方案，可以根据具体需求选择适合的产品。
腾讯云相关产品和服务的介绍及详细信息，可以参考腾讯云官方网站：https://cloud.tencent.com/
相关·内容
为了教自己PyMC，我试图定义一个简单的逻辑回归。但是我得到了一个ZeroProbability错误，并且不完全理解为什么会发生这种情况，或者如何避免它。
这是我的代码：
import pymc
import numpy as np
x = np.array([85, 95, 70, 65, 70, 90, 75, 85, 80, 85])
y = np.array([1., 1., 0., 0., 0., 1., 1., 0., 0., 1.])
w0 = pymc.Normal('w0', 0, 0.000001) # uninformative prior (a
浏览 3提问于2014-12-30得票数 0
回答已采纳
我想在matlab中实现逻辑回归，我有以下几个代码
function B=logistic_regression(x,y)
f=@(a)(sum(y.*log((exp(a(1)+a(2)*x)/(1+exp(a(1)+a(2)*x))))+(1-y).*log((1-((exp(a(1)+a(2)*x)/(1+exp(a(1)+a(2)*x))))))));
a=[0.1, 0.1];
options = optimset('PlotFcns',@optimplotfval);
B = fminsearch(f,a, options);
end
logistic回归结果如
浏览 2提问于2017-11-12得票数 4
回答已采纳
1回答
我认为逻辑回归可以用于回归(获取0到1之间的数字，例如使用逻辑回归来预测0到1之间的概率)和分类。问题是，似乎在我们提供了训练数据和目标之后，逻辑回归可以自动计算出我们是在进行回归还是在进行分类？
例如，在下面的示例代码中，逻辑回归计算出我们只需要输出是3个类0, 1, 2中的一个，而不是0和2之间的任何数字？只是好奇逻辑回归是如何自动计算出它是在做回归(输出是连续的范围)还是分类(输出是离散的)问题？
print(__doc__)
# Code source: Gaël Varoquaux
# Modified for documentation by Jaques Grobler
#
浏览 12提问于2016-08-25得票数 0
这也许是个微不足道的问题，但我不知道在哪里能找到答案。我想知道在R中使用glm()进行logistic回归时，如果响应变量Y的因子值为1或2，那么glm()的结果是否与logit(P(Y=1))或logit(P(Y=2))相对应？如果Y有逻辑值TRUE或FALSE怎么办
浏览 3提问于2020-06-21得票数 2
回答已采纳
1回答
因此，我很难概念化如何对一个简单的逻辑回归问题的解进行数学表示。我从概念上理解正在发生的事情，并已经实现了它，但我正在回答一个要求最终解决方案的问题。 假设我有一个简单的两列数据集，表示每年获得晋升的可能性，因此可能性将增加此人积累的经验。其中X表示年份，Y表示用于接收促销的二进制指示符： X | Y
1 0
2 1
3 0
4 1
5 1
6 1 我实现逻辑回归来找出每年获得晋升的概率，并得到一组看起来正确的输出概率。我得到了一个输出权重向量，这是两个项目，这是有意义的，因为只有两个输入。年数X，当我修复截距以处理偏差时，它会添加一列1。所以一个权重是几年，一个是
浏览 25提问于2020-10-19得票数 0
1回答
logistic回归的概率方法涉及到极大似然估计( MLE )，即利用偏导数求最佳拟合线的最佳参数。
几何方法包括将+1和-1分别赋值给类1和0。随机线适合于数据。计算点与直线之间的距离，并根据y*d公式识别正确和不正确的错误分类。这一过程一直持续到我们发现错误分类数量最少的时候。
这些方法中有哪些是逻辑回归的？
浏览 0提问于2021-11-09得票数 1
我正在尝试使用glmer function在程序R中使用lme4 package运行逻辑回归。 但是，每次我运行回归时都会得到一个错误： Error in eval(family$initialize, rho) : y values must be 0 <= y <= 1 我知道这个错误告诉我，我的一个变量需要更改；但是，我所有的变量都是数字的，所以我不确定这个问题。通常，如果变量是数据框内的字符，则会发生这种情况。 下面是我的回归代码： speedmod <- glmer(speed ~ HaFP + HaFPWFeed + NumFeeder + (1|trackId
浏览 1351提问于2020-10-24得票数 0
回答已采纳
1回答
这是我的资料
x = c(1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16,
17, 18, 19, 20, 21, 22)
y = c(1, 6, 2, 5, 4, 7, 9, 6, 8, 4, 5, 6, 5, 5, 6, 7, 5, 8, 9,
5, 4, 7)
plot(x, y)
fit <- lm(y ~ x)
fit
abline(fit, col = "black", lwd = "1")
我想把这些数据分成两组，观察值在回归线和回归线下面。我该怎么做？
浏览 3提问于2016-04-12得票数 0
回答已采纳
2回答
黄土回归为负值
、、
我目前正在尝试将黄土回归拟合到我的数据集(生物量的纬度分布)。我使用了以下代码：
ggplot(data=test)+
geom_point(aes(y=log10(value+1), x=lat, colour=variable), alpha=0.5)+
stat_smooth(aes(y=log10(value+1), x=lat, colour=variable, fill=variable), size=1, alpha=0.1)+
scale_y_continuous("Depth-integrated biomass (mgC.m-2)")+
sc
浏览 6提问于2014-07-09得票数 2
我正在探索Scikit-learn logistic回归算法。据我所知，作为训练的一部分，该算法建立了一条回归曲线，其中y变量的范围从0到1(S型S曲线)。在这里，y变量是一个连续变量(尽管实际上它是一个离散变量)。。
当训练数据集反映现实并包括y变量作为离散变量时，算法如何学习S曲线？在训练中没有概率估计，所以我想知道算法是如何学习S曲线的。
浏览 2提问于2021-01-03得票数 1
2回答
我刚刚开始使用Python scikit-learn包进行线性回归。我对它所需的数据集的维度感到困惑。例如，我想使用以下代码在Y上回归X
from sklearn import linear_model
x=[0,1,2]
y=[0,1,2]
regr = linear_model.LinearRegression()
regr.fit (x,y)
print('Coefficients: \n', regr.coef_)
系统返回错误:元组索引超出范围。根据scikit-learn网站，有效的数组应该是这样的
x=[[0,0],[1,1],[2,2]]
y=[0,1,2]
(
浏览 1提问于2016-04-05得票数 0
我有一个回归问题，我想使用logistic回归而不是逻辑分类，因为我的目标变量y是0到1之间的连续变量。然而，在Python中，logistic回归的常见实现似乎完全是逻辑分类。我还看过GLM实现，似乎没有一个实现过sigmoid链接函数。有人能指点我将Python实现的逻辑回归作为回归算法的方向吗？
浏览 4提问于2020-12-12得票数 1
回答已采纳
我参加了youtube讲座的Andrew机器学习课程，6.4他说，如果我们使用线性回归损失函数(最小二乘法)进行logistic回归，成本函数会是什么样子？
📷
我想看到这样的一个图，我自己，所以我试图用最小二乘损失绘制成本函数J，用于一个对数回归任务。
这是我的密码
import matplotlib.pyplot as plt
import numpy as np
import math
x = np.random.rand(10000)
# x = np.array([0.1, 0.2, 0.7, 0.4])
y = np.round(np.random.rand(10000))
b
浏览 0提问于2020-07-08得票数 1
回答已采纳
1回答
我正在学习基本的机器学习模型，并坚持解决下一个问题:预测的线与数据集不太匹配。我正在生成一个简单的2类数据集，并训练SVM和logistic回归。虽然指标显示了良好的结果，但可视化很差:训练线显然没有将两个类分开。我不太明白出了什么问题，有人能解释一下吗？ from sklearn import datasets
from sklearn.linear_model import LogisticRegression
X, y = datasets.make_blobs(n_samples=100, centers=2, n_features=2, center_box=(0, 12))
浏览 8提问于2020-03-25得票数 0
回答已采纳
2回答
这实际上是的重复。然而，我想问一个非常具体的问题，关于绘制基于感知器系数的决策边界线，我是通过一个初步的“手动”编码实验得到的。如您所见，从logistic回归中提取的系数得到了一个很好的决策边界线：
根据glm()的结果：
(Intercept) test1 test2
1.718449 4.012903 3.743903
感知器实验的系数从根本上说是不同的：
bias test1 test2
9.131054 19.095881 20.736352
为了方便回答，，下面是代码：
# DATA PRE-P
浏览 3提问于2016-06-25得票数 0
1回答
当我适合我的模型时，使用logistic回归，向我显示一个值错误，比如ValueError:惩罚项必须是正的。
C=[1e-4, 1e-3, 1e-2, 1e-1, 1e0, 1e1, 1e2, 1e3, 1e4]
for i in C[-9:]:
logisticl2 = LogisticRegression(penalty='l2',C=C)
logisticl2.fit(X_train,Y_train)
probs = logisticl2.predict_proba(X_test)
获取错误：
ValueError:处罚条件必须是正数；C=0.
浏览 1提问于2019-01-29得票数 0
回答已采纳
1回答
从线性回归绘制逻辑回归图
、、、
我有一个有效的线性回归算法，可以用它来绘制图形，但我不知道如何使用sigmoid变换来绘制Logistic回归。
下面是我正在使用的代码：
m = 0
c = 0
L = 0.0001 # The learning Rate
epochs = 1000 # The number of iterations to perform gradient descent
n = float(len(X)) # Number of elements in X
#performing gradient descent
for i in range(epochs):
Y_pred = m*X
浏览 3提问于2021-10-02得票数 0
1回答
我试图使用RJAGS运行以下Poisson Bayesian回归模型，但我正在创建一些问题。
library(rjags)
library(mosaic)
library(dplyr)
对于mosaic包中的此数据集：
glimpse(RailTrail)
我利用工作日状态$Y_i$和温度$Z_i$构建了容积$Z_i$的泊松回归模型：
likelihood: $Y_i \sim Poisson(l_i)$ where $log(l_i) =a +bX_i + cZ_i$
priors: $a\sim N(0,200^2)，b \sim N(0,2^2)$和$c \sim N(0,2^2)$
p
浏览 9提问于2022-01-12得票数 0
回答已采纳
我有分类变量： Y = 0 or 1 X = X1; X2 Z = Z1; Z2; Z3; Z4 V = V1; V2; V3; V4 如何才能得到所有变量的问题，以及如何应用逻辑回归？ 首先，我不知道如何获得将用于logistic回归模型的woe向量。例如，我使用woe() woe(Data=MyData,"X",FALSE,"Y",10,Bad=1,Good=0) 我得到了 BIN BAD GOOD TOTAL BAD% GOOD% TOTAL% WOE IV BAD_SPLIT X1 0 33117 3867 36984 0.798
浏览 17提问于2019-05-30得票数 0
如果我没有几个类，即3，我期望得到3个广义线性回归系数数组，如在sklearn.linear_model.LogisticRegression中，但statsmodels.discrete.discrete_model.MNLogit提供classes_num -1系数(在本例中为- 2)。
示例：
import statsmodels.api as st
from sklearn.linear_model import LogisticRegression
iris = st.datasets.get_rdataset('iris','datasets')
浏览 11提问于2020-05-07得票数 2
回答已采纳
我正在学习这课程。教授说的是逻辑回归成本函数：
P(y|x) = \hat y^y (1- \hat y)^{(1-y)}
双方都要进行登录，规定：
\begin{align} log[P(y|x)] &= log[\hat y^y (1- \hat y)^{(1-y)}]\\ &= - L(\hat y,y) \end{align}
为什么logistic回归成本函数需要是对数的负值？
浏览 0提问于2019-06-05得票数 1
attenuation = data.frame(km =
c(0,0,0.4,0.4,0.8,0.8,1.2,1.2,1.6,1.6,2,2,2.4,2.4,2.8,2.8,3.2,3.2,3.6,3.6,4,
4,4.4,4.4,4.8,4.8,5.2,5.2,5.6,5.6,6,6,6.4,6.4,6.8,6.8,7.2,7.2,7.6,7.6,8,8,
11.7,11.7,13,13), edna = c(76000,20000,0,0,6000,0,0,6880,10700,0,6000,
0,0,0,0,0,0,6000,0,0,0,0,0,0,0,0,6310,0
浏览 1提问于2018-02-13得票数 3
例如，考虑以下拆分数据的方法...
set.seed(1)
train=sample(1:nrow(x),size=nrow(x)/2)
test=(-train)
y.test=y[test]
和
set.seed(1)
train=sample(1:nrow(x),size=nrow(x)/2)
test=(!train)
y.test=y[test]
我继续！操作员尝试在训练集上拟合岭回归模型，并使用λ= 4在测试集上评估其均方误差。
ridge.mod=glmnet(x[train,],y[train],alpha=0,lambda=grid,thresh=1e-12)
ridge.p
浏览 0提问于2017-04-29得票数 1
3回答
我在寻找这个答案，我真的很惊讶没有找到它。我只想在R中进行三级logistic回归。
让我们定义一些人工数据：
set.seed(42)
y <- sample(0:2, 100, replace = T)
x <- rnorm(100)
我的变量y包含三个数字- 0、1和2。所以我认为最简单的方法就是使用：
glm(y ~ x, family = binomial("logit"))
然而，我得到的信息是，y应该在0,1之间。您知道我如何能够执行这种回归吗？
请注意-我知道执行多级logistic回归并不那么简单，有几种方法可以这样做，比如一比一。但是当我在寻找它
浏览 4提问于2021-04-17得票数 1
回答已采纳
我已经读过这个问题了：仍然不明白p1是否是0,1之间的概率，并且可以作为一个回归来使用，并且我可以应用我自己的阈值。
编辑:谢谢你的回答仍然有些混乱，让我们来挖掘一下，假设我的结果Y是0,1，如果Y是数字，我以回归的形式运行它，并且我有一个列作为响应。另一方面，如果Y是因子，则将其作为分类运行，输出为:预测/p0/p1。现在，p1是否与使用Y作为数字相同？另外， calibrate_model参数会影响逻辑损失，但现在最大F1仍然用作P0 P1或校准概率的阈值？我可以使用校准的概率进行回归，因为逻辑损失被认为是较少的？
浏览 0提问于2018-02-22得票数 2
我试图在一个小数据集上进行逻辑回归，其中每个实例用一个分类变量(男性、女性)和一个连续变量(频率在0，1之间)和因变量(标签)分别表示为0或1。因此，任务是一个二进制分类问题。下面我分享5-6个例子：
import pandas as pd
df = pd.read_table('dataset.csv',sep=',')
df.head()
Gender Frequency Label
0 Male 0.10 0
1 Female 0.23 1
2 Female 0.35 1
浏览 0提问于2019-05-18得票数 1
2回答
我正在尝试实现一个神经网络来预测h1_hemoglobin在PyTorch中。在创建模型之后，我将1保留在输出层中，因为这是回归。但我得到的错误如下。我无法理解这个错误。在输出层中保持一个像100这样的大值可以消除错误，但是当我试图实现回归时，模型就变得无用了。
数据：
from sklearn.model_selection import train_test_split
X_train,X_test,y_train,y_test=train_test_split(X,y,test_size=0.2,random_state=0)
##### Creating Tensors
X_tr
浏览 17提问于2022-07-05得票数 0
1回答
我正在用MATLAB做逻辑回归来解决一个简单的分类问题。我的协变量是一个介于0和1之间的连续变量，而我的分类回答是一个二元变量0(不正确)或1(正确)。
我正在寻求运行逻辑回归来建立一个预测器，该预测器将输出一些输入观察(例如，如上所述的连续变量)正确或不正确的概率。虽然这是一个相当简单的场景，但我在MATLAB中运行它时遇到了一些问题。
我的方法如下:我有一个列向量X，它包含连续变量的值，另一个大小相等的列向量Y，它包含X的每个值的已知分类(例如0或1)。我使用了以下代码：
[b,dev,stats] = glmfit(X,Y,'binomial','link'
浏览 2提问于2014-03-19得票数 9
1回答
用线性回归方法处理缺失值
、、、
我试图用线性回归方法处理列中缺少的值。
列名为"Landsize“，我试图使用其他几个变量使用线性回归预测NaN值。
这是林。回归码：
# Importing the dataset
dataset = pd.read_csv('real_estate.csv')
from sklearn.linear_model import LinearRegression
linreg = LinearRegression()
data = dataset[['Price','Rooms','Distance','La
浏览 0提问于2019-08-25得票数 1
回答已采纳
2回答
这真的很奇怪。我用Excel以两种不同的方式计算R^2值，结果相差很大。为什么？
1)首先，我使用Excel通过图表进行线性回归，并使用"Add Trendline.“鼠标右键功能，指定Intercept = 0。R平方值显示-3.253。回归方程为Y= -0.1321 *X。
2)然后利用Excel对LINEST函数进行线性回归。我高亮显示5x2行，并在左上角单元格中键入"=LINEST“(Y向量；X向量，FALSE，TRUE)。假表示截距为0，而True表示Excel应打印附加的回归统计信息。然后按CTRL + SHIFT + Enter。这将显示其他统计数据，例如第三个左
浏览 6提问于2017-06-26得票数 2
回答已采纳
1回答
Sigmoid函数预测的概率值在0 & 1之间。在logistic回归中，将预测概率映射为1或0的公式是什么？
浏览 0提问于2022-01-01得票数 0
回答已采纳
2回答
回归分析还是诺瓦？
、、、、
我希望是我能做的最清楚的。假设我有一个有10个变量的数据集，其中4个变量代表了一个我称之为Y的现象，另6个变量代表了另一个我称之为X的现象。
每个变量(10)包含37个单元。这些单位只是我的分析(一项调查)的被访者。由于所有的问题都是基于Likert量表，所以它们都是定性变量。所有这些值的标度都在0到7之间，但是有"-1“和"-2”值，其中缺少答案。因此这个比例实际上是从-2到7。
我想要做的是计算我的Y(在这种情况下包含4个变量，每个变量包含37个答案)和我的X(包含6个变量，以及相同数量的应答者)之间的回归。我知道，对于定性分析，我应该使用Anova而不是回归，虽然我读到了
浏览 7提问于2012-05-15得票数 2
我正在尝试用python从头开始实现其中一个R代码，它涉及到逻辑回归。
据我所知，logistic回归(当使用梯度下降执行一对所有)时，我认为如果有F个特征和L个标签，那么我们就有M×F系数。基本上，我们对M个标签中的每一个都有F个不同的向量，然后计算输入X的sigmoid函数，哪个向量给出最大值就是预测的类别。
R中的逻辑回归函数：
try_lrm<-function(datadf, tol=1e-10, maxit=1e6){
try({ lrm(y~x, data=datadf, penalty=0, x=TRUE, y=TRUE, tol=tol, maxit=maxit)
浏览 0提问于2018-08-04得票数 0
3回答
在深入学习MOOC之后，我正在尝试建立我的第一个回归模型。我目前正在处理一个标签在0到2之间的数据集。同样，这是一个回归任务，而不是分类。
低y值意味着每个样本的损失都很低，总是< 1。我的问题是，在这种情况下，mse作为度量指标的相关性:由于损失小于1，它将导致一个更小的值，使度量值迅速下降。在这种情况下，使用mae会更有意义吗？或者我应该把y值乘以，这样样本损失的数量级就会大于1。
我找到了这个关于回归度量的很好的文章，但是没有在其中找到答案。谢谢你的帮助。
浏览 0提问于2020-11-24得票数 0
回答已采纳
2回答
在安德鲁斯logistic回归癌症的例子中，我可以画一条水平线y=.5 (显然通过y=.5 )，如果有任何点在这条线上，y=.5 => +ve就画10，否则画-ve。那么为什么我需要逻辑回归呢？我只是试图理解使用逻辑回归的最好的案例解释？
正如您在包含的图像中所看到的，一条水平线清楚地划分了这两个类别，那么为什么要选择逻辑呢？
浏览 0提问于2015-05-28得票数 2
1回答
我使用从.csv文件导入的数据(data_axis和data分别是导出日期和股票市场价格)运行线性回归(使用/ GDA)。下面的代码返回[nan nan nan nan nan nan]作为theta值。平方错误还返回nan。
错误消息：“乘法中遇到的溢出”、“添加中遇到的无效值”
import numpy as np
Xdata = np.array(data_axis)
Xdata = Xdata.reshape(-1,2)
print(Xdata.shape)
Ydata = np.array(data[0:783])
Ydata = Ydata[::-1]
print(Ydata.
浏览 2提问于2021-12-18得票数 0
1回答
假设我必须在回归中估计系数a，b：
y=a*x+b*z+c
我事先知道y总是在y>=0和y<=x范围内，但是回归模型有时会产生y超出这个范围。
样本数据：
mydata<-data.frame(y=c(0,1,3,4,9,11),x=c(1,3,4,7,10,11),z=c(1,1,1,9,6,7))
round(predict(lm(y~x+z,data=mydata)),2)
1 2 3 4 5 6
-0.87 1.79 3.12 4.30 9.34 10.32
第一个预测值是<0。
我尝试了没有拦截的模
浏览 2提问于2014-01-12得票数 4
回答已采纳
我试图使用二项式日志回归线运行一个逻辑回归图，并不断收到以下警告消息：
geom_smooth()` using formula 'y ~ x' Warning message:
Computation failed in `stat_smooth()`: y values must be 0 <= y <= 1
我的代码是：
library(ggplot2)
ggplot(dataq, aes(meanst,FamFriend3b)) +
geom_point() +
geom_smooth( method = "glm", se = F
浏览 4提问于2021-02-02得票数 2
我正在尝试用MatLab做一个简单的逻辑回归分析。
X = [103.4843 103.4843 100.3871 101.8535 101.7658 101.9658];
Y = [120.9189 107.3617 122.5506 96.9701 101.9798 118.3035];
B = mnrfit(X,Y)
我一直收到这个错误：
If Y is a column vector, it must contain positive integer category numbers.
我不知道为什么。有人能帮帮忙吗？！谢谢!
浏览 1提问于2014-05-20得票数 3
我正在研究一个分类模型，其中我使用了logistic回归算法。我得到的结果是：“预测LR"："'AnxiousPersonalityDisorder'”。现在我需要计算这个结果的概率，而且我有很多问题。如果有人知道问题的来源，下面是代码
# code in colab notebook
x = df.text.values.tolist()
y = df.label.values.tolist()
vectorizer = CountVectorizer()
data1 = vectorizer.fit_transform(x)
x_train, x_test
浏览 8提问于2022-06-09得票数 0
代码：
from sklearn.linear_model import LogisticRegression
l = LogisticRegression()
b = l.fit(XT,Y)
print "coeff ",b.coef_
print "intercept ",b.intercept_
这是数据集
XT =
[[23]
[24]
[26]
[21]
[29]
[31]
[27]
[24]
[22]
[23]]
Y = [1 0 1 0 0 1 1 0 1 0]
结果：
coeff [[ 0.00850441]]
浏览 5提问于2017-03-06得票数 2
回答已采纳
1回答
我试图使用R中的"R2OpenBUGS“包运行一个简单的线性回归分析。当我运行”bug“命令时，我将面临错误。
在命令行中添加"debug = T“后，在OpenBUGS中得到以下错误：
预期右括号错误pos 130
这是我在R中的代码：
library(R2OpenBUGS)
library(coda)
MODEL <- function() {
for (i in 1:N) {
y[i] ~ dnorm(mu[i], s2)
mu[i] <- b0+b1*(x[i])
}
b0 ~ dnorm(0, 1/9)
浏览 1提问于2018-01-29得票数 1
回答已采纳
我有下面的DataFrame，示例如下所示：
我通过以下方法得到了回归：
ADBE['Date'] = ADBE['Date'].values.astype(float)
model = pd.ols(y = ADBE['Close'], x = ADBE['Date'])
我得到以下结果：
`
我试着按以下方式绘制结果：
import matplotlib.pyplot as plt
plt.plot(model, ADBE['Close'])
我得到了错误消息：
"x和y必须具有相同的第一维“
我得到
浏览 0提问于2016-11-11得票数 1
1回答
当我们在前一个模型的残差基础上构建下一个模型时，我理解梯度提升是如何为回归工作的--例如，如果我们使用线性回归，那么它将是残差作为下一个模型的目标，然后在最后对所有模型求和，得到更强的精确度。 但是在梯度增强的分类树中如何做到这一点呢？假设我们有一个二进制分类模型，结果为0/1 -下一个模型的残差是多少？它是如何计算的，因为它不会像在线性回归中那样是y减去y的预测值。 我真的被困在这个问题上了！一个二进制分类树的错误是它错分的那些-那么下一个模型的目标仅仅是错分的点吗？
浏览 14提问于2019-02-03得票数 3
我在做一个Kaggle数据集“桑坦德价值预测挑战”
lasso = Lasso()
lasso_para = {'alpha' :[0.001,0.01,0.02]}
gs = GridSearchCV(estimator = lasso,
param_grid = lasso_para,
cv = 10,
scoring = 'neg_mean_squared_log_error',
verbose = 2)
gs.fit(
浏览 0提问于2018-08-16得票数 0
回答已采纳
我在使用link = "log"运行泊松回归时遇到了一些问题。
model <- glm(formula = var1 ~ var2,
family = poisson(link = "log"),
data = a)
var1是一个范畴变量(类别:因子)，有两类：“有抑郁”和“没有抑郁”。var2是另一个具有四个年龄类别的分类变量(class: factor)。
这个错误不断出现：
Error in if (any(y < 0)) stop("negative values not
浏览 5提问于2022-04-21得票数 1
回答已采纳
1回答
试图使用R caret来训练一个使用lm线性回归的模型：
代码如下：
modelLm <- train(x=X_train,y=Y_train, method="lm", na.action = na.omit, trControl=control)
但是得到错误：
Error in quantile.default(y, probs = seq(0, 1, length = cuts)) :
missing values and NaN's not allowed if 'na.rm' is FALSE
难道na.ac
浏览 0提问于2015-11-02得票数 0
回答已采纳
我正试着用Jupyter Notebook画一个逻辑函数。我可以很好地绘制它，但是使用scipy.optimize.curve_fit的逻辑函数不起作用。它返回直线坐标。
如何绘制逻辑回归线？
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
from scipy.optimize import curve_fit
%matplotlib inline
df = pd.read_csv('https://gist.githubusercontent.com/shinokada/76070a09
浏览 3提问于2020-02-11得票数 0
回答已采纳
我有我的线性回归完美地工作在一个单一的功能。自从尝试使用两种方法以来，我得到了以下错误: ValueError: Found变量，样本数不一致: 2，1
第一个打印语句打印如下：(2,6497) (1,6497)
然后，代码在train_test_split阶段崩溃。
有什么想法吗？
feat_scores = {}
X = df[['alcohol','density']].values.reshape(2,-1)
y = df['quality'].values.reshape(1,-1)
print (X.shape, y.shap
浏览 0提问于2018-12-30得票数 2
回答已采纳
我对核回归的理解是，当使用线性核进行无惩罚的岭回归时，结果应该类似于线性回归。在玩具的例子中，线性回归有更好的Rsq。问题的一部分，我认为SK是使用样本空间的核心矩阵，而不是较小的样本和特征空间，在这种情况下，特征空间要小得多。我如何“解决”这个问题，或者我可能做错了什么-一个新手的内核回归。线性核回归的分值在-3左右，线性回归的分数约为50%。
from sklearn.datasets import load_diabetes
from sklearn.kernel_ridge import KernelRidge
from sklearn.utils import shuffle
fro
浏览 4提问于2022-09-16得票数 0
扫码
添加站长 进交流群
领取专属 10元无门槛券
手把手带您无忧上云
相关资讯
热门标签
云服务器
ICP备案
对象存储
实时音视频
云直播活动推荐
腾讯云开发者
