Python 如何从这个线性回归中得到r_值？

我使用下面的python脚本使用线性回归预测一个数字

from selenium import webdriver
from webdriver_manager.chrome import ChromeDriverManager
from selenium.webdriver.common.by import By
from selenium.webdriver.support.ui import WebDriverWait
from selenium.webdriver.support import expected_conditions as EC
from sklearn.linear_model import LinearRegression
import time
import numpy as np
from sklearn.svm import SVR
import pytz
from datetime import datetime
from sys import argv, exit
import os, psutil

################################################
if len(argv) != 5:
  print (argv[0] + '<train count> <timeout(s)> <predict date(Y/M/D)> <predict clock(H:M:S)>')
  exit(2)
X_predict = [(int(datetime.strptime(argv[3] + " " + argv[4], '%Y/%m/%d %H:%M:%S').timestamp()*(10000000)))]
################################################

X=[]
y=[]
chromeOptions = webdriver.ChromeOptions()
chromeOptions.add_argument("--headless")
chromeOptions.add_argument("--remote-debugging-port=2212")
chromeOptions.add_argument('--no-sandbox')
chromeOptions.add_argument('--disable-dev-shm-usage')
driver = webdriver.Chrome('/usr/bin/chromedriver',chrome_options=chromeOptions)
driver.get('https://sample.com/')

elem_xpath = '//div[contains(text(), "number")]/following-sibling::div'

for i in range(1, int(argv[1])):
    try:
        elem = WebDriverWait(driver, 10).until(EC.visibility_of_element_located((By.XPATH, elem_xpath)))
        print ("train => ", i)
        X.append(int(time.time()*(10000000)))
        y.append(int(elem.text.replace(',', '')))
        time.sleep(int(argv[2]))
    finally:
        driver.quit
        
##############################################
X = np.array(X).reshape(-1, 1)
y = np.array(y).reshape(-1, 1)
X_predict = np.array(X_predict).reshape(-1, 1)
##############################################
    
svr_rbf = LinearRegression()
y_rbf = svr_rbf.fit(X,y).predict(X_predict)


print ('y_rbf: {}'.format(int(y_rbf)))
print('memory usage: {} MB'.format(
int(psutil.Process(os.getpid()).memory_info().rss/1024/1024)
)) 

从selenium导入webdriver
从webdriver_manager.chrome导入ChromeDriverManager
从selenium.webdriver.common.by导入
从selenium.webdriver.support.ui导入WebDriverWait
从selenium.webdriver.support将预期的_条件导入为EC
从sklearn.linear\u模型导入线性回归
导入时间
将numpy作为np导入
从sklearn.svm导入SVR
进口皮茨
从日期时间导入日期时间
从系统导入argv中退出
导入操作系统，psutil
################################################
如果len（argv）！=5:
打印（argv[0]+''）
出口（2）
X_predict=[（int（datetime.strtime（argv[3]+“”+argv[4]，“%Y/%m/%d%H:%m:%S”）。timestamp（）*（10000000））]
################################################
X=[]
y=[]
chromeOptions=webdriver.chromeOptions（）
chromeOptions.add_参数（“--headless”）
添加参数（“--远程调试端口=2212”）
chromeOptions.add_参数（'--no sandbox'）
chromeOptions.add_参数（'--disable dev shm usage'）
driver=webdriver.Chrome（'/usr/bin/chromedriver'，Chrome\u options=chromeOptions）
司机，上车https://sample.com/')
elem_xpath='//div[包含（text（），“number”）]/以下同级：：div'
对于范围（1，int（argv[1]）中的i：
尝试：
elem=WebDriverWait（driver，10）.until（位于（（By.XPATH，elem_XPATH））的元素的EC.visibility_）
打印（“列车=>”，i）
X.append（int（time.time（）*（10000000）））
y、 追加（int（elem.text.replace（'，'，''））
睡眠时间（int（argv[2]））
最后：
司机，退出
##############################################
X=np.数组（X）.重塑（-1,1）
y=np.数组（y）.重塑（-1,1）
X_predict=np.数组（X_predict）.重塑（-1,1）
##############################################
svr_rbf=线性回归（）
y_rbf=svr_rbf.拟合（X，y）.预测（X_预测）
打印（'y_rbf:{}'。格式（int（y_rbf）））
打印（'内存使用：{}MB'。格式(
int（psutil.Process（os.getpid（））.memory_info（）.rss/1024/1024）
)) 

代码运行良好。 据我所知，我们可以从线性回归中得到一些输出，如斜率、截距、r_值、p_值和标准误差。r_值将告诉您线性回归的准确性。

---

在上面的脚本中，如何获得r_值？

这有点难说，但我认为您正在寻找类似的值

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt

import statsmodels.api as sm
from statsmodels.sandbox.regression.predstd import wls_prediction_std

np.random.seed(9876789)

# OLS estimation¶
# Artificial data:

nsample = 100
x = np.linspace(0, 10, 100)
X = np.column_stack((x, x**2))
beta = np.array([1, 0.1, 10])
e = np.random.normal(size=nsample)

# Our model needs an intercept so we add a column of 1s:
X = sm.add_constant(X)
y = np.dot(X, beta) + e

# Fit and summary:
model = sm.OLS(y, X)
results = model.fit()
print(results.summary())

结果:

---

欢迎来到SO。强烈建议，在匆忙提出问题之前，您执行一些操作，始终从相关的开始。非常感谢，我知道如何正常获取这些信息，但我不知道如何为我上面提供的代码执行这些操作。请参阅下面的链接。