Statmodel输出与sklearn回归不同
Statmodel是一个Python库，用于统计建模和计量经济学分析。它提供了一系列统计模型，包括线性回归、广义线性模型、时间序列分析等。与之相比，sklearn是一个通用的机器学习库，提供了各种机器学习算法和工具。
在回归分析方面，Statmodel和sklearn有一些区别。首先，Statmodel更加专注于统计推断和经济学分析，提供了更多的统计指标和模型诊断工具。它的输出结果通常包括参数估计、标准误差、置信区间、假设检验等统计信息。
相比之下，sklearn更加注重预测和模型的泛化能力。它提供了更多的机器学习算法和模型评估指标，可以进行交叉验证、网格搜索等模型选择和调优的操作。sklearn的回归模型输出通常包括预测结果、评估指标（如均方误差、决定系数等）以及模型的参数设置。
虽然Statmodel和sklearn在回归分析方面有一些差异，但它们都是非常强大和常用的工具。具体选择使用哪个库取决于具体的需求和分析目的。
腾讯云相关产品和产品介绍链接地址：
- 腾讯云机器学习平台（https://cloud.tencent.com/product/tiia）
- 腾讯云数据分析平台（https://cloud.tencent.com/product/dla）
- 腾讯云大数据分析平台（https://cloud.tencent.com/product/emr）
- 腾讯云人工智能平台（https://cloud.tencent.com/product/ai）
- 腾讯云数据库（https://cloud.tencent.com/product/cdb）
- 腾讯云服务器（https://cloud.tencent.com/product/cvm）
- 腾讯云容器服务（https://cloud.tencent.com/product/tke）
- 腾讯云区块链服务（https://cloud.tencent.com/product/bcs）
- 腾讯云物联网平台（https://cloud.tencent.com/product/iot）
- 腾讯云移动开发平台（https://cloud.tencent.com/product/mpp）
- 腾讯云存储服务（https://cloud.tencent.com/product/cos）
- 腾讯云音视频处理（https://cloud.tencent.com/product/mps）
- 腾讯云网络安全（https://cloud.tencent.com/product/saf）
- 腾讯云元宇宙（https://cloud.tencent.com/product/vr）
相关·内容
科学学习的sklearn.linear_model.LogisticRegression类是如何处理回归和分类问题的？
由于Logistic回归的输出是基于乙状结肠函数的，所以它返回概率。那么，滑雪板课程是如何作为分类器和回归者的呢？
浏览 13提问于2015-04-10得票数 1
回答已采纳
scikit-learn库有以下类似的分类器： Logistic回归分类器有不同的求解器，其中之一是“sgd”。 http://scikit-learn.org/stable/modules/generated/sklearn.linear_model.LogisticRegression.html#sklearn.linear_model.LogisticRegression 它也有一个不同的分类器'SGDClassifier‘，损失参数可以作为逻辑回归的'log’提到。 http://scikit-learn.org/stable/modules/generated/sk
浏览 42提问于2017-05-14得票数 14
1回答
多输出回归
、、、
在过去的几周里，我一直在关注多输出回归。我正在与科学学习包一起工作。我的机器学习问题有三个特性的输入，需要预测两个输出变量。sklearn软件包中的一些ML模型支持多输出回归。如果模型不支持这一点，可以使用sklearn多输出回归算法对其进行转换。类适合每个目标的一个回归器。
多输出回归器类或支持的多输出回归算法是否考虑到了输入变量的潜在关系？
应该使用神经网络来代替多输出回归算法吗？
浏览 0提问于2018-03-20得票数 11
我已经测试了几种回归者从科学-学习。但是，当我只对回归者使用if-语句时，我会遇到错误情况，如下面的示例代码。
from sklearn.neural_network import MLPRegressor
from sklearn.ensemble import GradientBoostingRegressor, HistGradientBoostingRegressor
for j, model in enumerate([MLPRegressor(), HistGradientBoostingRegressor(), GradientBoostingRegressor()]):
浏览 4提问于2022-09-07得票数 1
1回答
我在探索山脊回归。在比较statsmodels和sklearn时，我发现这两个库产生了不同的岭回归输出。下面是区别的一个简单例子
import numpy as np
import pandas as pd
import statsmodels.api as sm
from sklearn.linear_model import Lasso, Ridge
np.random.seed(142131)
n = 500
d = pd.DataFrame()
d['A'] = np.random.normal(size=n)
d['B'] = d['A&
浏览 13提问于2022-05-16得票数 1
回答已采纳
1回答
我正在尝试实现一个用于多类预测的堆叠集成模型。
每个训练例子都是一个向量，有14个特征。总共有12个可能的课程。三个基本模型(下面描述)每个都包含一个14维的特征向量训练示例，并输出一个12维概率向量(1概率/类)。
这三个基本分类模型是从头构建的(即不使用sklearn构建，因此我不能简单地使用sklearn集成方法)，如下所示：
Bayes网:为每个14维训练示例输出一个12维概率向量(1概率/类)其他图形模型:为每个14维训练示例输出概率的12维向量(1概率/类)度量学习模型:为每个14维训练示例输出一个12维概率向量(1概率/类)。
我想将每个训练示例的基本模型的输出叠加起来(即，每个
浏览 1提问于2020-05-22得票数 0
我有一个简单的代码，它的输入特性在X中，输出标签在y中，其中每个y_i都在集合{1,2,3,4}中。我想在sklearn中使用SVM或Logistic回归进行分类。我的问题是: sklearn什么时候需要单热编码？如果我使用SVM，y是否可以，或者SVM只处理布尔输出？此外，令人沮丧的是，sklearn (SVM或Logistic回归)中没有文档指定有效输出的范围。
浏览 37提问于2021-03-12得票数 0
回答已采纳
1回答
我有一个大约150个样本的数据集，其中每个样本有11个输入和3个输出。我试图建立一个完整的回归模型来接受11个要训练的输入来预测3个输出，问题是样本如此之少，训练一个完整的模型几乎是不可能的。出于这个原因，我正在尝试使用pythons sklearn中的回归，例如线性回归。根据我所能发现的，大多数回归模型要么支持一个输入来预测一个输出(在回归完成之后)，要么支持多个输入来预测一个输出。 问:是否有任何类型的回归支持许多输入来预测许多输出。或者任何可能更适合我的需求的回归类型。 谢谢你的帮助！
浏览 12提问于2021-09-21得票数 0
2回答
是否有可能运行一个回归(例如，逻辑回归)和不带(即，只有截距)预测在滑雪？这似乎是一个相当标准的类型分析，也许这些信息已经可以在输出中获得。
我找到的唯一相关的东西是sklearn.svm.l1_min_c，但是它返回一个非空模型。
我正在寻找这样的东西，只有截距的回归(Y = a + ε)和标准回归(Y = a + bX + ε)：
或者特别是这个(因为它与logistic回归相关)：
浏览 1提问于2017-10-24得票数 2
回答已采纳
2回答
我想根据6个不同的输入和4个输出生成一个回归。
我使用python，并比较sklearn和scipy。但在这两种情况下，回归模型基本上集中在一个输出参数。
我的问题是:我能考虑我所有的输出都是不相连的吗?如果是的话，想象一下我可以并行地执行4个回归(每个输出一个)来建立一个等价的4输出模型，这是真的吗？
给你小费！
浏览 0提问于2018-06-01得票数 3
回答已采纳
1回答
我正在使用sklearn的支持向量回归模型处理回归问题，并使用MinMax缩放特征，但通过使用它，我得到了不同的回归结果，这有意义吗？
import pandas as pd
import numpy as np
from sklearn import svm
from sklearn.preprocessing import MinMaxScaler
np.random.seed(0)
X_training = np.random.rand(100,15)*10
Y_training = np.random.rand(100,1)*10
model = svm.SVR()
不需要扩展：
浏览 2提问于2017-02-09得票数 0
1回答
出于练习的目的，我正在尝试编写自己的逻辑回归器(使用批量/小批量梯度下降)。 我生成了一个随机数据集(见下文)，输入为正态分布，输出为二进制(0,1)。我手动使用系数作为输入，并希望能够重现它们(参见下面的代码片段)。然而，令我惊讶的是，我自己的代码和sklearn LogisticRegression都不能重现实际的数字(尽管符号和数量级是一致的)。更重要的是，我的算法产生的系数与sklearn产生的系数不同。我误解了逻辑回归的系数是什么吗？ 我将感谢任何对这种差异的洞察。 谢谢! 编辑:我尝试使用statsmodels Logit，得到了第三组略有不同的系数值 一些可能相关的更多信息:我
浏览 27提问于2019-01-12得票数 0
回答已采纳
1回答
我为岭regression.For创建了python代码，我在其中使用了交叉验证和网格搜索技术。我得到了输出结果。我要检查我的回归模型建立步骤是否正确？有人能解释吗？
from sklearn.linear_model import Ridge
ridge_reg = Ridge()
from sklearn.model_selection import GridSearchCV
params_Ridge = {'alpha': [1,0.1,0.01,0.001,0.0001,0] , "fit_intercept": [True, False], "
浏览 0提问于2020-01-13得票数 2
2回答
我使用sklearn.tree.DecisionTreeRegressor预测了一个具有两个独立变量的回归问题，即特征"X"，"Y“和预测的可靠变量"Z”。当我绘制树时，叶子似乎与分类树没有太大不同。结果不是每个叶上的函数，而是每个叶上的单个值，就像在分类中一样。 有人能解释一下，为什么这被称为回归，为什么它不同于分类树吗？ 因为我似乎误解了sklearn类，有没有python的树包，它会进行“真正的”回归，并且在每个叶子上都有一个输出函数？对于X、Y和Z，这可能是每片叶子上的某种曲面。
浏览 46提问于2021-01-08得票数 0
2回答
我正在尝试实现logistic回归算法。我正为此目的使用sklearn。当我印刷的准确性，它的印刷负值。
代码：
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sb
import scipy
from scipy.stats import spearmanr
import sklearn
from sklearn.preprocessing import scale
from sklearn.linear_model import LogisticRegressi
浏览 0提问于2018-11-03得票数 -2
这段代码：
from sklearn.pipeline import make_pipeline
from sklearn.preprocessing import StandardScaler
from sklearn.linear_model import Ridge
X = 'some_data'
y = 'some_target'
penalty = 1.5e-5
A = Ridge(normalize=True, alpha=penalty).fit(X, y)
触发以下警告：
FutureWarning: 'normalize'
浏览 4提问于2022-09-02得票数 3
回答已采纳
目前，我正在尝试训练一个线性模型，使用python中的sklearn，但不是以均方误差(MSE)作为误差度量，而是使用平均绝对误差(MAE)的。具体而言，我需要一个线性模型，以MAE作为我在大学教授的要求。
我研究过sklearn.linear_model.LinearRegression，因为它是OLS回归器，所以它没有提供替代的错误度量。
因此，我检查了其他可用的回归器，无意中发现了sklearn.linear_model.HuberRegressor和sklearn.linear_model.SGDRegressor.。他们都提到了MAE作为错误度量的一部分，但似乎没有提供简单的MAE。
浏览 2提问于2018-05-17得票数 9
回答已采纳
我已经在Jupyter Notebook(使用Anaconda)和Pycharm中的单独文件中运行了我的代码，但我仍然使用(‘线性’内核)得到了相同的Logistic回归和支持向量机输出。准确率、召回率、精确度以及混淆矩阵都具有相同的输出。
ROC曲线在两种情况下都不同，AUC也不同。起初，所有代码都在一个Jupyter Notebook中获得相同的输出，我将每个算法放在单独的notebook中，但得到了相同的结果。我将Pycharm中的代码复制到不同的文件中，但仍然得到相同的输出。两者的输出能完全相同吗？
以下是Logistic回归的代码：
from sklearn.model_select
浏览 0提问于2020-06-14得票数 0
我正在进行多输出(nr )的工作。目标: 2)回归任务。原始数据具有巨大的维数(p>>n，即预测因子比观测值多得多)，因此对于我选择的基线模型，我选择了用Lasso回归进行实验，包装在sklearn的MultiOutputRegressor中。在优化了Lasso基线的超参数之后，我想通过检索包装拉索回归模型(S)的coef_来研究模型的可解释性，但这似乎是不可能的。我现在想知道如何才能研究模型的系数，更好地理解它所做的预测。
我的想法是通过设置GridSearchCV来返回具有最佳超参数的估计器。然后，访问它的估值器参数，按预期生成MultiOutputRegressor(Lass
浏览 0提问于2022-01-14得票数 0
回答已采纳
如果:param n_jobs:的估计器和多输出回归器本身都有，该如何使用？例如，最好不要为估计器指定n_jobs，而是为多输出回归器设置n_jobs吗？以下是几个例子：
# Imports
from sklearn.ensemble import RandomForestRegressor
from sklearn.multioutput import MultiOutputRegressor
# (1) No parallelization
rf_no_jobs = RandomForestRegressor()
multioutput_no_jobs_alpha = MultiOutp
浏览 6提问于2021-09-01得票数 1
回答已采纳
1回答
我试图使用sklearn的线性回归模型来预测幻想玩家的点数。我有每个球员的数字统计，显然他们的名字，我已经用标签编码器功能编码。我的问题是，当执行线性回归时，训练中包含的编码值似乎不识别它为ID，而是将其视为一个数值。
那么，是否有更好的方法来编码球员的名字，使他们被视为一个ID，以便它能识别玩家1平均25分，而2号球员的20分？或者这种类型的编码甚至可能与线性回归？提前感谢
浏览 9提问于2022-11-30得票数 0
有没有办法用tanh运行sklearn的逻辑回归？ 我知道标签为{-1,1}时tanh更好，标签为{0,1}时sigmoid更好。 如果我不能实现逻辑回归，那么从{-1,1} -> {0，1}转换标签会提高使用sigmoid激活函数的逻辑回归的性能吗？
浏览 34提问于2021-05-10得票数 1
回答已采纳
4回答
如何在Python中可视化回归树
、、、、
我希望可视化一个回归树构建使用任何集成方法在科学学习(梯度提升回归，随机森林回归，打包回归)。靠近，处理分类器树。但是，这些问题需要“树”方法，这是SKLearn中的回归模型所不能使用的。
但它似乎没有产生任何结果。我遇到了问题，因为这些树的回归版本没有.tree方法(该方法只存在于分类版本)。我想要一个类似于的输出，但是基于一个sci工具包，学习树。
我已经探索了与对象相关的方法，但无法给出答案。
浏览 4提问于2017-11-09得票数 2
回答已采纳
我试着用scikit学习logistic回归对多类数据进行分类。我用一个热编码器对类进行编码。但是，当我尝试相同的，我得到了糟糕的输入形状错误。在sklearn回归中是否可以使用一个热编码值？
from sklearn.preprocessing import OneHotEncoder
import numpy as np
from sklearn.linear_model import LogisticRegression
from sklearn.feature_extraction.text import CountVectorizer
onehot_encoder = OneHotE
浏览 3提问于2019-04-26得票数 0
回答已采纳
下面我有一个非常简单的程序，它使用多输出回归建立一个模型。尽管所有的训练数据都由正浮点值组成，但我发现所做的预测往往会产生负值。我如何告诉scikit强制执行0的下限(或者换句话说，不要做负面预测)？
import csv
from sklearn.multioutput import MultiOutputRegressor
from sklearn.ensemble import GradientBoostingRegressor
from sklearn.model_selection import train_test_split
X = []
Y = []
results = [
浏览 13提问于2020-12-14得票数 1
回答已采纳
sklearn.multioutput.MultiOutputRegressor上的文档声明它实现了一种扩展不支持多目标回归的回归器的策略。
我很想知道:哪些是本地支持多目标回归的？(和/或我如何才能知道？)
基于这篇文章，我假设：
ExtraTreesRegressor
KNeighborsRegressor
LinearRegression
RidgeCV
大家都支持这个吗？(除非我感到困惑，而且“多输出估计器”与“本机支持多目标回归的回归者”不是一回事；我对此并不熟悉！)
浏览 0提问于2017-12-20得票数 4
在生成的决策树回归模型中，当使用graphviz查看树结构时，存在MSE属性。我需要获取每个叶子节点的MSE，并根据MSE进行后续操作。但是，在阅读文档后，我找不到提供输出MSE的方法。其他属性，如特征名称、样本编号、预测值等，都有对应的方法： ? 使用help(sklearn.tree._tree.Tree)，我可以看到大多数属性都有一些输出值的方法，但是我看不到任何关于MSE的东西。 关于模块sklearn.tree._tree中的类树的帮助 ?
浏览 51提问于2019-12-17得票数 7
回答已采纳
我得到了这个脚本，用RandomForest和LinearRegression预测秒的值dataset.That工作正常，线性回归的精度是18%，太糟糕了。 所以我尝试使用RandomForest，但我不知道如何计算该模型的精度。 import pandas as pd
from sklearn.ensemble import RandomForestRegressor
from sklearn.datasets import make_regression
import numpy as np
import pandas as pd
import scipy
import matplo
浏览 40提问于2019-05-02得票数 2
2回答
我一直在比较sklearn中的不同回归模型，在这样做的过程中，我对我得到的模型的评分值感到困惑。在下面的代码中，您可以看到我同时使用了线性回归和岭回归，但是训练和测试数据集的分值差异很大。 using Linear Regression
from sklearn.linear_model import LinearRegression as lr
model = lr()
model.fit(X_train, y_train)
model.predict(X_test)
print("LINEAR REGRESSION")
print("Training Score
浏览 19提问于2019-04-25得票数 0
到目前为止，我已经实施了线性回归和logistic回归。除了numpy和matplotlib之外，我没有使用任何其他库。但是在互联网上，每个例子都是用sklearn、pandas等库来解决的。我的问题是，哪一个适合机器学习，自己实现算法，还是使用库(sklearn或.)？
谢谢。
浏览 0提问于2016-07-29得票数 0
回答已采纳
现在，我需要用L2范数(y=xw，y.shape=5,1，x.shape=5,100K+)求解一个非常大的线性回归。我尝试过sklearn.linear_model.Ridge，但是它太慢(花费超过30分钟)，那么，SKlearn是否有另一个函数来有效地解决一个大的线性回归问题？
浏览 2提问于2020-12-16得票数 1
回答已采纳
2回答
回归在机器学习中的局限性？
、、、、
最近，我一直在学习ML的一些核心概念，并使用Sklearn库编写代码。经过一些基本实践之后，我尝试了一下来自kaggle (大约有40000个样本)的AirBnb NYC数据集- 。
考虑到数据集的各种特性，我试图建立一个模型来预测一个房间/apt的价格。我意识到这是一个回归问题，并使用这个学习小抄，我开始尝试各种回归模型。
我使用sklearn.linear_model.Ridge作为我的基线，在做了一些基本的数据清理之后，我在我的测试集上得到了一个糟糕的R^2分数0.12。然后我想，也许线性模型太简单了，所以我尝试了适合回归(sklearn.kernel_ridge.Kernel_R
浏览 2提问于2020-05-11得票数 2
回答已采纳
scikit学习具有两个逻辑回归函数：
sklearn.linear_model.LogisticRegression
sklearn.linear_model.LogisticRegressionCV
我只是好奇第二份简历代表什么。我在ML中唯一知道的与"CV“匹配的缩略语是交叉验证，但我猜不是这样，因为这将在带有包装器函数的scikit中实现，而不是逻辑回归函数本身的一部分(我认为)。
浏览 19提问于2017-09-30得票数 25
回答已采纳
目前，我正在使用sklearn的Logistic回归函数来处理一个综合的2d问题。数据集如下所示：
我正在基本地将数据插入sklearn的模型中，这就是我所得到的(浅绿色，忽略深绿色)：
这方面的代码只有两行: model = LogisticRegression()；model.fit(tr_data，tr_labels)。我检查了绘图功能，这也很好。我没有使用正规化器(这会影响到它吗？)
在我看来，边界是这样的，我觉得很奇怪。直觉上，我觉得它们应该是对角线的，因为数据(大部分)位于右上、左下，并且从测试中可以看出，一些杂乱的数据点是导致边界以这种方式出现的原因。
例如，
浏览 1提问于2018-04-01得票数 1
回答已采纳
2回答
python中两个列表的线性回归
、、、、
嗨，我有两个数字列表，我想从一个正规的线性回归得到R^2。我想这个问题已经张贴了很多，但我只是找不到这个地方。
我的名单：
my_y = [2,5,6,10]
my_x = [19,23,22,30]
我尝试过将它更改为numpy数组，然后使用sklearn来回归并得到我需要的东西，但我没有成功。我使用了以下代码：
from sklearn.linear_model import LinearRegression
import numpy as np
my_y = np.array([2,5,6,10]).reshape(1, -1)
my_x = np.array([19,23,22,30
浏览 1提问于2019-04-16得票数 2
回答已采纳
有人知道贝叶斯岭回归和ARDR之间的区别吗？更准确地说，在sklearn的这两个函数之间：
linear_model.BayesianRidge()
linear_model.ARDRegression()
当我回顾背后的理论时，两者都使用了λ和权重，ARDRegression的定义是:使用贝叶斯岭回归拟合回归模型。
但我仍然不明白有什么不同，因为两个模型都使用权重和λ来确定回归模型。有人能更直观地解释这一点吗？
浏览 18提问于2020-05-18得票数 3
1回答
我目前正在测试支持向量回归(SVR)，以解决具有两个输出的回归问题。这意味着对于每个样本，Y_train_data都有两个值。由于SVR只能产生单个输出，因此我使用中的MultiOutputRegressor。
from sklearn.svm import SVR
from sklearn.multioutput import MultiOutputRegressor
svr_reg = MultiOutputRegressor(SVR(kernel=_kernel, C=_C, gamma=_gamma, degree=_degree, coef0=_coef0))
sv
浏览 0提问于2018-12-10得票数 6
3回答
我尝试从csv加载训练和测试数据，在scikit/sklearn中运行随机森林回归器，然后预测测试文件的输出。
TrainLoanData.csv文件包含5列；第一列是输出，接下来的4列是特性。TestLoanData.csv包含4列-特性。
当我运行代码时，我得到了错误：
predicted_probs = ["%f" % x[1] for x in predicted_probs]
IndexError: invalid index to scalar variable.
这是什么意思？
下面是我的代码：
import numpy, scipy, sklearn,
浏览 3提问于2013-01-09得票数 6
回答已采纳
我将用Keras编写的逻辑回归器的结果与默认的Sklearn进行比较。我的输入是一维的。我的输出有两个类，我感兴趣的是输出属于类1的概率。
我希望结果几乎是一样的，但它们甚至不是很接近。
这是我如何生成随机数据的方法。注意，X_train，X_test仍然是向量，我只是使用大写字母，因为我已经习惯了。在这种情况下，也没有必要进行缩放。
X = np.linspace(0, 1, 10000)
y = np.random.sample(X.shape)
y = np.where(y<X, 1, 0)
这里是y在X上的累加，在这里做回归并不是火箭科学。
我做了一个标准的火车测试-分
浏览 7提问于2017-07-05得票数 13
回答已采纳
我刚开始机器学习，拥有imdb电影数据集，并试图根据以下因素预测电影的“imdbRating”:- 'ratingCount'、'nrOfWins'、'nrOfNominations'、'nrOfPhotos'、'nrOfNewsArticles'、'nrOfUserReviews'、'nrOfGenre'。
我最简单的python代码是。
我使用了我的代码‘支持向量回归’机器学习算法。我只想知道我在python代码中显示的方法是否正确和有效，如果这种方法是正确的，那么我是否可以使用
浏览 1提问于2018-03-26得票数 2
回答已采纳
1回答
我为岭regression.For创建了python代码，我在其中使用了交叉验证和网格搜索技术。我得到了输出结果。我要检查我的回归模型建立步骤是否正确？有人能解释吗？
from sklearn.linear_model import Ridge
ridge_reg = Ridge()
from sklearn.model_selection import GridSearchCV
params_Ridge = {'alpha': [1,0.1,0.01,0.001,0.0001,0] , "fit_intercept": [True, False], "
浏览 0提问于2020-01-13得票数 0
下面是示例：
from sklearn import linear_model
clf = linear_model.Lasso(alpha=0.1)
clf.fit([[0,0], [1, 1], [2, 2]], [0, 1, 2])
clf.predict(np.array([0,0]).reshape(1,-1))
Out[13]: array([ 0.15])
我能不能让预测变成一个分类而不是回归。换句话说，当我给它一个输入时，我想要一个绝对的输出。
浏览 0提问于2016-04-18得票数 7
回答已采纳
有没有办法在sklearn中把不同的分类器组合成一个？我找到了sklearn.ensamble包。它包含不同的模型，如AdaBoost和RandofForest，但它们在幕后使用决策树，我想使用不同的方法，如支持向量机和逻辑回归。是否可以使用sklearn？
浏览 6提问于2013-03-18得票数 1
回答已采纳
1回答
滑雪板回归模型的整数预测
、、、、
我正在使用sklearn回归模型来预测白天的销售额。但是，我希望输出是一个整数(因为我不能卖出一半的产品)，所以我试图将预测输出作为一个整数，但是我找不到方法。
我知道可以将浮点数转换为int，但我的问题是调整模型以生成整数预测的可能性(因为输入也是整数)。
from sklearn.neighbors import KNeighborsRegressor
from sklearn.ensemble import RandomForestRegressor
from sklearn.linear_model import BayesianRidge
model_trained = model
浏览 40提问于2021-12-29得票数 0
回答已采纳
我在理解GridSearchCV中cv参数的效果时遇到了问题。我仍然使用Python 2.7和sklearn 0.18
当使用GridSearchCV调整一些参数，例如岭回归时，我预计随着训练中包含的数据越来越多，分数会随着折叠次数的增加而上升。然而，我观察到了相反的行为。有人能向我解释一下，这是否应该是意料之中的呢？
考虑下面的例子
from __future__ import division, print_function
from sklearn import linear_model
from sklearn import preprocessing
from sklearn imp
浏览 32提问于2017-01-18得票数 0
回答已采纳
我正在为我的回归模型试验不同的损失函数。我注意到在滑雪板上有：
sklearn.linear_model.HuberRegressor和sklearn.linear_model.ElasticNet
对我来说，两者都使用L1和L2损失的组合。这到底有什么区别？谢谢!
浏览 0提问于2019-09-18得票数 0
我有一个92 k的观测数据集，并试图使用sklearn ()拟合一个logistic回归模型，但是它在基线auc评分( .51 )附近表现很差。奇怪的是，用状态模型Logit()方法进行logistic回归得到了.68的auc评分。两种方法都使用正则化，这两个预测器都是数值的，具有二进制输出。我以前有过sklearn和statsmodel来密切匹配性能度量和系数，但是我很难弄清楚为什么sklearn现在不执行。
我试过多次运行并重新启动，结果是一样的。这是一个简单的实验室代码块。如何修复滑雪板以匹配我的状态模型模型的性能？
Sklearn模型
from sklearn.model_select
浏览 0提问于2021-04-27得票数 0
2回答
from sklearn.model_selection import KFold
from sklearn.model_selection import cross_val_score
cv = KFold(n_splits=10, random_state=1, shuffle=True)
scores = cross_val_score(regressor, X, y, scoring='neg_mean_absolute_error',
cv=cv, n_jobs=-1)
np.mean(np.abs(scores
浏览 368提问于2021-10-04得票数 0
回答已采纳
1回答
我在sklearn的SGDClassifier和LogisticRegression上做了很多工作。我现在遇到了一个问题，它需要: 1-使用稀疏矩阵(sklearn支持的) 2-多标签实例，其中每个实例的标签是对所有标签的概率分布，而不是0/1指示符。
例如，示例1的标签可以是：
0.1 0.0 0.4 0.5
这意味着，对于4个标签，我们有一个概率分布，我不应该使用阈值使它们为0/1。
有谁知道如何修改sklearn的线性模型来达到这个目的吗？或者是否还有其他库支持多输出实例？
注意:我已经在千层面/theano中实现了多输出逻辑回归，但它不接受稀疏矩阵，而且与sklearn相比非常慢。
浏览 1提问于2016-05-15得票数 1
回答已采纳
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
即时通信 IM
实时音视频活动推荐
腾讯云开发者
