我有表格的资料
n = number of samples
features: n x 1 matrix
data: n x m matrix
我希望使用相同的features执行多个泊松回归,其中输出值随数据列的不同而变化。目前,我使用sklearn一次进行一次泊松回归,例如我的Python代码看起来像
from sklearn import linear_model
clf = linear_model.PoissonRegressor(fit_intercept=True,alpha=0)
for col in range(m):
clf.fit(features,data[
我想在Python中运行创建一个虚拟变量回归。因此,我有一个2000到2020年的比率列表,我想从以下模型中估计非危机(NC)和危机(C)期间的α和β,其中包含关于α和风险因子系数的虚拟变量: Model 其中,Dnc,t是虚拟变量,对于非危机时期,t取值为1,否则为0;Dc,t是虚拟变量,其值为1,否则为0。现在,我想在python中运行这个回归。
最近我把我的代码从R复制到Python,我确实需要一些关于代码的帮助。据我所知,sklearn中的逻辑回归仅包括l1或l2正则化项,分别代表套索回归和岭回归。然而,同时实现l1和l2正则化项,即ElasticNet可能要好得多。 在R的情况下,有一个值得注意的包glmnet,它可以完美地部署上述思想,而python中的glmnet包似乎只支持Linux系统,而不是我电脑上的windows10(请参考this)。另外,如果该包能够可视化结果(如收缩路径)会更好。 #logtistic with penalty terms in sklearn
from sklearn.linear_model