东莞建设网站官网住房和城乡,dedecms网站如何上线,html5表白网页在线生成,响应式网站建设网站我试图弄清楚如何在不使用Sklearn提供的.predict函数的情况下使用LASSO回归来预测值。这基本上只是为了扩大我对套索内部工作原理的理解。我在Cross Validated上问了一个关于套索回归如何工作的问题#xff0c;其中一条评论提到了预测函数的工作原理与线性回归中的相同。正因为…我试图弄清楚如何在不使用Sklearn提供的.predict函数的情况下使用LASSO回归来预测值。这基本上只是为了扩大我对套索内部工作原理的理解。我在Cross Validated上问了一个关于套索回归如何工作的问题其中一条评论提到了预测函数的工作原理与线性回归中的相同。正因为如此我想试着用我自己的函数来做这个。在
{I在使用不同的输出时{I可以成功地使用cd2函数。在这个例子中Sklearn的预测值是4.33我自己的函数是6.18。我错过了什么我不是在最后正确地反变换了预测吗在
import pandas as pd
from sklearn.preprocessing import RobustScaler
from sklearn.linear_model import Lasso
import numpy as npdf pd.DataFrame({Y:[5, -10, 10, .5, 2.5, 15], X1:[1., -2., 2., .1, .5, 3], X2:[1, 1, 2, 1, 1, 1], X3:[6, 6, 6, 5, 6, 4], X4:[6, 5, 4, 3, 2, 1]})X df[[X1,X2,X3,X4]]
y df[[Y]]#Scaling
transformer_x RobustScaler().fit(X)
transformer_y RobustScaler().fit(y)
X_scal transformer_x.transform(X)
y_scal transformer_y.transform(y)#LASSO
lasso Lasso()
lasso lasso.fit(X_scal, y_scal)#LASSO info
print(Score: , lasso.score(X_scal,y_scal))
print(Raw Intercept: , lasso.intercept_.round(2)[0])
intercept transformer_y.inverse_transform([lasso.intercept_])[0][0]
print(Unscaled Intercept: , intercept)
print(\nCoefficients Used: )
coeff_array lasso.coef_
inverse_coeff_array transformer_x.inverse_transform(lasso.coef_.reshape(1,-1))[0]
for i,j,k in zip(X.columns, coeff_array, inverse_coeff_array):if j ! 0:print(i, j.round(2), k.round(2))#Predictions
example [[3,1,1,1]]
pred lasso.predict(example)
pred_scal transformer_y.inverse_transform(pred.reshape(-1, 1))
print(\nRaw Prediction where X1 3: , pred[0])
print(Unscaled Prediction where X1 3: , pred_scal[0][0])#Predictions without using the .predict function
def lasso_predict_value_(X1,X2,X3,X4): print(intercept: , intercept)print(coef: , inverse_coeff_array[0])print(X1: , X1)preds intercept inverse_coeff_array[0]*X1print(Your predicted value is: , preds)lasso_predict_value_(3,1,1,1)
受过训练的^{cd1}没有任何信息无论给定数据点是否缩放。因此您手动进行预测的方法不应该考虑到它的缩放方面。
如果我删除您对模型效率的处理我们可以得到sklearn模型的结果 example [[3,1,1,1]]
lasso.predict(example)# array([0.07533937])#Predictions without using the .predict function
def lasso_predict_value_(X1,X2,X3,X4): x_test np.array([X1,X2, X3, X4])preds lasso.intercept_ sum(x_test*lasso.coef_)print(Your predicted value is: , preds)lasso_predict_value_(3,1,1,1)# Your predicted value is: [0.07533937]
