Python Sklearn StandardScaler+；具有可解释系数的弹性网

为了恰当地拟合像弹性网这样的正则化线性回归模型，必须首先对自变量进行标准化。然而，这些系数具有不同的含义。为了提取此类模型的适当权重，我是否需要使用以下等式手动计算它们：

b=b'*std_y/std_x

还是sklearn中已经有一些内置功能

---

另外：我不认为我可以只使用

normalize=True

参数，因为我有可能保持无标度的伪变量

您可以使用平均值和标准偏差来取消标准化

sklearn

在您使用

StandardScaler

后提供它们

来自sklearn.preprocessing导入StandardScaler的

ss=StandardScaler（）
ss.fit_transform（X_train）#或任何你称之为的东西
非标准化系数=model.coef*np.sqrt（ss.var）+ss.mean_

这将使他们处于非标准数据的规模

然而，由于使用正则化，它成为有偏估计量。对于有偏/无偏估计量，性能和可解释性之间存在权衡。这更像是一场讨论。无偏估计量和低均方误差估计量之间存在差异。请在此处阅读有偏估计量和可解释性：

tl；dr按照你的建议去做是没有意义的