Python中的目标是什么；s SKCOEF_uu输出？_Python_Scikit Learn_Regression_Linear Regression_Regularized

Python中的目标是什么；s SKCOEF_uu输出？

python scikit-learn

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：

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：

X = np.random.uniform(size=100).reshape(50, 2)
y = np.dot(X, [[1, 2, 3], [3, 4, 5]])

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。