Python中的目标是什么;s SKCOEF_uu输出?
当我在Python中使用sklearn进行岭回归时,coef_uu输出为我提供了一个2D数组。根据it is(n_目标,n_特征)Python中的目标是什么;s SKCOEF_uu输出?,python,scikit-learn,regression,linear-regression,regularized,Python,Scikit Learn,Regression,Linear Regression,Regularized,当我在Python中使用sklearn进行岭回归时,coef_uu输出为我提供了一个2D数组。根据it is(n_目标,n_特征) 我知道特征是我的系数。然而,我不确定目标是什么。这是什么?目标是您想要预测的值。岭回归实际上可以为每个实例预测更多的值,而不仅仅是一个。coef包含用于预测每个目标的系数。这也与训练模型分别预测每个目标的情况相同 让我们看一个简单的例子。我将使用LinearRegression而不是Ridge,因为Ridge缩小了系数的值,使其更难理解 首先,我们创建一些随机数据:
我知道特征是我的系数。然而,我不确定目标是什么。这是什么?目标是您想要预测的值。岭回归实际上可以为每个实例预测更多的值,而不仅仅是一个。
coef
包含用于预测每个目标的系数。这也与训练模型分别预测每个目标的情况相同
让我们看一个简单的例子。我将使用LinearRegression
而不是Ridge
,因为Ridge
缩小了系数的值,使其更难理解
首先,我们创建一些随机数据:
X = np.random.uniform(size=100).reshape(50, 2)
y = np.dot(X, [[1, 2, 3], [3, 4, 5]])
X
中的前三个实例是:
[[ 0.70335619 0.42612165]
[ 0.2959883 0.10571314]
[ 0.33868804 0.07351525]]
这些实例的目标是
[[ 1.98172114 3.11119897 4.24067681]
[ 0.61312771 1.01482915 1.41653058]
[ 0.55923378 0.97143708 1.38364037]]
请注意,y[0]=x[0]+3*x[1]
,y[1]=2*x[0]+4*x[1]
和y[2]=3*x[0]+5*x[1]
(这就是我们使用矩阵乘法创建数据的方式)
如果我们现在拟合线性回归模型
clf = linear_model.LinearRegression()
clf.fit(X, y)
coef\uu
s是:
[[ 1. 3.]
[ 2. 4.]
[ 3. 5.]]
这与我们用来创建数据的方程式完全匹配。目标是您想要预测的值。岭回归实际上可以为每个实例预测更多的值,而不仅仅是一个。
coef
包含用于预测每个目标的系数。这也与训练模型分别预测每个目标的情况相同
让我们看一个简单的例子。我将使用LinearRegression
而不是Ridge
,因为Ridge
缩小了系数的值,使其更难理解
首先,我们创建一些随机数据:
X = np.random.uniform(size=100).reshape(50, 2)
y = np.dot(X, [[1, 2, 3], [3, 4, 5]])
X
中的前三个实例是:
[[ 0.70335619 0.42612165]
[ 0.2959883 0.10571314]
[ 0.33868804 0.07351525]]
这些实例的目标是
[[ 1.98172114 3.11119897 4.24067681]
[ 0.61312771 1.01482915 1.41653058]
[ 0.55923378 0.97143708 1.38364037]]
请注意,y[0]=x[0]+3*x[1]
,y[1]=2*x[0]+4*x[1]
和y[2]=3*x[0]+5*x[1]
(这就是我们使用矩阵乘法创建数据的方式)
如果我们现在拟合线性回归模型
clf = linear_model.LinearRegression()
clf.fit(X, y)
coef\uu
s是:
[[ 1. 3.]
[ 2. 4.]
[ 3. 5.]]
这与我们用来创建数据的方程式完全匹配。因此我们可以将其称为模型的权重?是的,你可以将其称为“权重”,尽管这一术语主要用于机器学习和与神经网络相关的领域。在线性回归中,它们通常被称为“系数”、“效应”或只是一般的“参数”。因此,我们可以将其称为模型的权重?是的,您可以将其称为“权重”,尽管该术语主要用于机器学习和与神经网络相关的领域。在线性回归中,它们通常被称为“系数”、“效应”或只是一般的“参数”。