Python 线性回归返回的结果与合成参数不同

正在尝试此代码：

from sklearn import linear_model
import numpy as np

x1 = np.arange(0,10,0.1)
x2 = x1*10

y = 2*x1 + 3*x2
X = np.vstack((x1, x2)).transpose()

reg_model = linear_model.LinearRegression()
reg_model.fit(X,y)

print reg_model.coef_
# should be [2,3]

print reg_model.predict([5,6])
# should be 2*5 + 3*6 = 28 

print reg_model.intercept_
# perfectly at the expected value of 0

print reg_model.score(X,y)
# seems to be rather confident to be right

结果是

• [0.31683168 3.16831683]
• 20.5940594059
• 0.0
• 1.0

---

因此不是我所期望的-它们与用于合成数据的参数不同。为什么会这样？

您的问题在于解决方案的唯一性，因为两个维度都是相同的（对一个维度应用线性变换在该模型眼中不会产生唯一的数据），因此您可以得到无限多适合您的数据的可能解决方案。将非线性变换应用到第二维度，您将看到所需的输出

from sklearn import linear_model
import numpy as np

x1 = np.arange(0,10,0.1)
x2 = x1**2
X = np.vstack((x1, x2)).transpose()
y = 2*x1 + 3*x2

reg_model = linear_model.LinearRegression()
reg_model.fit(X,y)
print reg_model.coef_
# should be [2,3]

print reg_model.predict([[5,6]])
# should be 2*5 + 3*6 = 28 

print reg_model.intercept_
# perfectly at the expected value of 0

print reg_model.score(X,y)

输出为

• [2.3.]

• [28.]

• -2.84217094304e-14

• 1.0