Python 线性回归系数

我目前正在使用statsmodels（尽管我也很乐意使用Scikit）来创建线性回归。在这个特殊的模型上，我发现当向模型中添加多个因子时，OLS算法会抛出一个野系数。这些系数都是非常高和非常低的，这似乎通过平均值优化了算法。这导致所有因素在统计上都不显著。我只是想知道是否有一种方法可以对系数设置上限或下限，这样OLS必须在这些新边界内进行优化？

我不知道是否可以设置一个条件，使OLS的系数绝对值都小于一个常数

不过，正则化是解决此类问题的一个很好的选择。基本上，L1或L2正则化会惩罚优化函数中的系数之和，这会使最低有效变量的系数接近于零，因此不会提高成本函数的值

看一看，和回归。它们分别使用L1、L2和这两种形式的正则化

您可以在statsmodels中尝试以下操作：

#导入OLS
从statsmodels.regression.linear_模型导入OLS
#初始化模型
reg=OLS（endog=y，exog=X）
#拟合模型
reg=reg.fit_正则化（）

我正在尝试使用statsmodels.regression.linear\u model.OLS.fit\u正则化（method='elastic\u net'，alpha=0.0，L1\u wt=0，start\u params=None，profile\u scale=False，refit=False），但我不确定在哪里指定我的训练数据。对于OLS，它看起来是这样的：sm.OLS（Y_-train，X_-train）。你知道怎么做吗？model=sm.OLS（Y\u train，X\u train）res=model.fit\u正则化（method='elastic\u net'，alpha=0.0，L1\u wt=0，start\u params=None，profile\u scale=False，refit=False），我在答案中添加了一些代码。这是否回答了您的问题？最后，由于拟合已被正则化，因此.summary（）函数似乎不再有效。我仍然可以看到带有.params的参数，但是我需要看到模型的P值和r^2值。有没有其他方法可以获得这些信息？谢谢你的帮助。我想这可能是最新的：sm.regression.linear\u model.OLSResults