Scikit learn 使用回归-区分两个数据帧列，一个是线性的，另一个是多项式函数？

在具有6列（a B C D E F）的数据帧中，来自列E或F的一列是前4列的线性组合，具有不同的系数，而另一列是相同输入的多项式函数。 找出哪列是线性函数，哪列是多项式函数

从dataframe提供30个样本（总共512行）

对（总共512行）执行线性回归
列A B C D作为输入，列E作为目标值。
输出-
截距[-2.67164069e-12]
系数[[2.3.-1.-4.]

列A B C D作为输入，列F作为目标值。
输出-
截距[0.32815962]
系数[[1.01293825-1.0003835 1.00503772-1.01765453]]

import numpy as np
import pandas as pd
from sklearn.linear_model import LinearRegression

For column E
x = df.iloc[:, :4].values
y = df.iloc[:, [4]].values

regressor = LinearRegression()
regressor.fit(x, y)
print(regressor.intercept_)
print(regressor.coef_)

output
[-2.67164069e-12]
[[ 2.  3. -1. -4.]]

For column F
x_new = df.iloc[:, :4].values
y_new = df.iloc[:, [5]].values

regressor_new = LinearRegression()
regressor_new.fit(x_new, y_new)
print(regressor_new.intercept_)
print(regressor_new.coef_)

output
[0.32815962]
[[ 1.01293825 -1.0003835   1.00503772 -1.01765453]]

两列中的一列是前4列的线性组合，具有不同的系数，而另一列是相同输入的多项式函数

---

提到哪一列是线性函数，哪一列是多项式。

我认为可以通过检查列之间的多重共线性来找到具有线性组合的列。因此，剩余柱的线性组合柱将具有较高的VIF。

我认为可以通过检查柱之间的多重共线性来找到线性组合柱。因此，剩余列的线性组合列将具有较高的VIF。

尝试绘制两列的图形（直方图），看看是否可以根据图形将函数识别为线性或多项式。

尝试绘制两列的图形（直方图），看看你是否能根据图表将函数识别为线性或多项式。

这是学校作业吗？不完全是，这是实习任务。这是学校作业吗？不完全是，这是实习任务。我计算了两列的VIF。对于E列，当R平方为1时，VIF为“无穷大”；对于F列，当R平方为0.99998666时，VIF为88221.79。那么，两列都是输入列的线性组合？不，这意味着两列高度相关。对不起，我原以为会有用的。你检查过这些列的散点图了吗？也许你可以找到模式。你可以使用seaborn pairplot。我也尝试了pairplot，我无法理解任何可以区分线性函数和多项式函数的相关性。我计算了两列的VIF。对于E列，当R平方为1时，VIF为“无穷大”；对于F列，当R平方为0.99998666时，VIF为88221.79。那么，两列都是输入列的线性组合？不，这意味着两列高度相关。对不起，我原以为会有用的。你检查过这些列的散点图了吗？也许你能找到模式。你可以使用seaborn pairplot。我也试过pairplot，我无法理解任何可以区分线性函数和多项式函数的相关性。

import numpy as np
import pandas as pd
from sklearn.linear_model import LinearRegression

For column E
x = df.iloc[:, :4].values
y = df.iloc[:, [4]].values

regressor = LinearRegression()
regressor.fit(x, y)
print(regressor.intercept_)
print(regressor.coef_)

output
[-2.67164069e-12]
[[ 2.  3. -1. -4.]]

For column F
x_new = df.iloc[:, :4].values
y_new = df.iloc[:, [5]].values

regressor_new = LinearRegression()
regressor_new.fit(x_new, y_new)
print(regressor_new.intercept_)
print(regressor_new.coef_)

output
[0.32815962]
[[ 1.01293825 -1.0003835   1.00503772 -1.01765453]]