Python 如何用Lasso和RobustScalar建立预测函数？

我正试图找出如何使用LASSO回归预测值，而不使用Sklearn提供的

.predict

函数。这基本上只是为了扩大我对套索内部工作原理的理解。我问了一个关于LASSO回归如何工作的问题，其中一个评论提到了预测函数如何与线性回归中的函数一样工作。正因为如此，我想尝试制作自己的函数来实现这一点

我能够在更简单的示例中成功地重新创建predict函数，但是当我尝试将它与

RobustScaler

结合使用时，我不断得到不同的输出。在这个例子中，我用Sklearn得到的预测值为4.33，用我自己的函数得到的预测值为6.18。我错过了什么？我不是在最后对预测进行了正确的反变换吗

将熊猫作为pd导入
从sklearn.preprocessing导入RobustScaler
从sklearn.linear_模型导入套索
将numpy作为np导入
df=pd.数据帧（{'Y'：[5，-10,10,5,2.5,15]，'X1'：[1.，-2,2.，.1,5,3]，'X2'：[1,1,2,1,1,1]，
‘X3’：[6,6,6,5,6,4]，‘X4’：[6,5,4,3,2,1]}）
X=df[['X1'，'X2'，'X3'，'X4']]
y=df[['y']]
#缩放
transformer_x=RobustScaler（）.fit（x）
transformer_y=RobustScaler（）.fit（y）
X_scal=变压器X.变换（X）
y_scal=变压器y.变换（y）
#套索
套索
套索=套索拟合（X_标度，y_标度）
#套索信息
打印（'分数：'，套索分数（X刻度，y刻度））
打印（'Raw Intercept:'，套索截距（2）[0]）
截距=变压器y.逆变换（[lasso.截距][0][0]
打印（'未缩放截距：'，截距）
打印（“\n使用的效率：”）
coeff_数组=lasso.coef_
逆系数数组=变换器逆变换（套索系数整形（1，-1））[0]
对于zip中的i、j、k（X列、系数数组、逆系数数组）：
如果j！=0:
印刷品（i、j圆（2）、k圆（2））
#预言
示例=[[3,1,1,1]]
pred=套索预测（示例）
pred_scal=变压器y.逆变换（pred.重塑（-1，1））
打印（'\nRaw预测，其中X1=3:'，pred[0]）
打印（'X1=3:'的无标度预测，预测标度[0][0]）
#不使用.predict函数的预测
定义套索预测值（X1、X2、X3、X4）：
打印（'截取：'，截取）
打印（'coef:'，逆系数数组[0]）
打印（'X1:'，X1）
preds=截距+逆系数数组[0]*X1
打印（'您的预测值为：'，preds）
套索预测值（3,1,1,1）

无论给定数据点是否缩放，经过训练的

套索

都没有任何信息。因此，手动进行预测的方法不应考虑缩放方面

如果我删除您对模型系数的处理，我们可以得到sklearn模型的结果

example = [[3,1,1,1]]
lasso.predict(example)

# array([0.07533937])


#Predictions without using the .predict function 
def lasso_predict_value_(X1,X2,X3,X4): 
    x_test = np.array([X1,X2, X3, X4])
    preds = lasso.intercept_ + sum(x_test*lasso.coef_)
    print('Your predicted value is: ', preds)


lasso_predict_value_(3,1,1,1)

# Your predicted value is:  [0.07533937]

更新2： 一旦我使用套索，我需要看看我的预测在他们的 原始单位。我的因变量是美元金额，如果我 不要把它反变换回来，我看不出我花了多少美元 预测的必要性

这是一个非常有效的场景。您需要应用

transformer\u y.inverse\u transform

来获取未催款的美元金额值。无需干扰模型权重

更新示例

example = [[3,1,1,1]]
scaled_pred = lasso.predict(transformer_x.transform(example))
transformer_y.inverse_transform([scaled_pred])
# array([[4.07460407]])

#Predictions without using the .predict function 
def lasso_predict_value_(X1,X2,X3,X4): 
    x_test = transformer_x.transform(np.array([X1,X2, X3, X4]).reshape(1,-1))[0]
    preds = lasso.intercept_ + sum(x_test*lasso.coef_)
    print('Your predicted value is: ', preds)
    print('Your unscaled predicted value is: ', 
          transformer_y.inverse_transform([scaled_pred]))


lasso_predict_value_(3,1,1,1)
# Your predicted value is:  [0.0418844]    
# Your unscaled predicted value is:  [[4.07460407]]

---

所以我已经知道怎么做这部分了。如何处理缩放数据？缩放数据，然后应用模型系数。请找到我的最新答案。希望对你有帮助，教授，也许我不太清楚。我想在最后取消预测的比例，这就是为什么我在代码中使用了逆_变换，但得到了不同的结果。如何使用套索在缩放数据上预测未来值，然后在最后取消缩放预测值？另外，请注意。我看到你用transformer_x来缩放预测。我一直在使用transformer_y，这是一个值得怀疑的问题。我应该用transformer_x来代替吗？所以不可能对系数进行逆变换或者对套索模型进行截距？我需要在拟合模型之前缩放数据，这仅仅是因为我的数据没有标准化，而LASSO在没有缩放的情况下表现非常差。一旦我使用套索，我需要看看我的预测是什么，在他们的原始单位。我的因变量是以美元为单位的，如果我不把它反变换回来，我就看不出预测需要多少美元。