python-如何从statsmodels中的WLS回归的2D参数获取测试预测
内容导读
互联网集市收集整理的这篇技术教程文章主要介绍了python-如何从statsmodels中的WLS回归的2D参数获取测试预测,小编现在分享给大家,供广大互联网技能从业者学习和参考。文章包含1935字,纯文字阅读大概需要3分钟。
内容图文
![python-如何从statsmodels中的WLS回归的2D参数获取测试预测](/upload/InfoBanner/zyjiaocheng/691/e5ea1f1b328a4f50836d736af07b7dcf.jpg)
我使用statsmodels递增了WLS regression functions的参数.
我有一个这样声明的10×3数据集X:
X = np.array([[1,2,3],[1,2,3],[4,5,6],[1,2,3],[4,5,6],[1,2,3],[1,2,3],[4,5,6],[4,5,6],[1,2,3]])
这是我的数据集,我有一个10×2的endg向量,看起来像这样:
z =
[[ 3.90311860e-322 2.00000000e+000]
[ 0.00000000e+000 2.00000000e+000]
[ 0.00000000e+000 -2.00000000e+000]
[ 0.00000000e+000 2.00000000e+000]
[ 0.00000000e+000 -2.00000000e+000]
[ 0.00000000e+000 2.00000000e+000]
[ 0.00000000e+000 2.00000000e+000]
[ 0.00000000e+000 -2.00000000e+000]
[ 0.00000000e+000 -2.00000000e+000]
[ 0.00000000e+000 2.00000000e+000]]
现在以sm导入import statsmodels.api后,我这样做:
g = np.zeros([3, 2]) # g(x) is a function that will store the regression parameters
mod_wls = sm.WLS(z, X)
temp_g = mod_wls.fit()
print temp_g.params
我得到以下输出:
[[ -5.92878775e-323 -2.77777778e+000]
[ -4.94065646e-324 -4.44444444e-001]
[ 4.94065646e-323 1.88888889e+000]]
从the answer to this question开始,我能够使用numpy.dot预测测试数据X_test的值,如下所示:
np.dot(X_test, temp_g.params)
我很容易理解,因为它是endg向量,所以y是一维数组.但是当我的endg向量(在这种情况下为z)为2D时,它如何工作?
当我尝试上述线在1D版本中使用时,出现以下错误:
self._check_integrity()
File "C:\Users\app\Anaconda\lib\site-packages\statsmodels\base\data.py", line 247, in _check_integrity
raise ValueError("endog and exog matrices are different sizes")
ValueError: endog and exog matrices are different sizes
解决方法:
np.dot(X_test,temp_g.params)应该仍然可以工作.
在某些情况下,您需要检查矩阵的方向,有时需要转置
但是,结果的预测方法和大多数其他方法将不起作用,因为该模型假定因变量z为一维.
问题再次是您要做什么?
如果要独立适合z的列,请对其进行迭代,以便每个y为1D.
对于z.T中的y:res = WLS(y,X).fit()
z.T允许在列上进行迭代.
在其他情况下,我们通常将模型堆叠起来,使得y为1D,其第一部分为z [:,0],而列的第二部分为z [:,1].设计矩阵或解释变量矩阵必须相应地扩展.
支持多元因变量是statsmodels的组成部分,但仍需要一些时间来准备.
内容总结
以上是互联网集市为您收集整理的python-如何从statsmodels中的WLS回归的2D参数获取测试预测全部内容,希望文章能够帮你解决python-如何从statsmodels中的WLS回归的2D参数获取测试预测所遇到的程序开发问题。 如果觉得互联网集市技术教程内容还不错,欢迎将互联网集市网站推荐给程序员好友。
内容备注
版权声明:本文内容由互联网用户自发贡献,该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容, 请发送邮件至 gblab@vip.qq.com 举报,一经查实,本站将立刻删除。
内容手机端
扫描二维码推送至手机访问。