如何根据各种线性回归模型的预测开发预测模型？答案

【问题标题】：How can I develop a predictive model based on predictions from various linear regression models?如何根据各种线性回归模型的预测开发预测模型？
【发布时间】：2021-02-25 22:03:09
【问题描述】：

我正在处理一个工作中存在一些困难的问题。我已经包含了一个非常通用的示例来演示我正在处理的问题。

在这种情况下，假设我正在查看过去几年的几家公司（公司 A、B 和 C）的数据，并根据行业质量得分（唯一的考虑的特点）。我分析的 3 家公司在规模和质量得分方面差异很大。

问题是我想使用我创建的模型的预测，然后能够预测公司 D 的收入（目前得分约为 2），如果它要达到 10 的质量得分。

这是我用来设置问题的代码：

import numpy as np
import matplotlib as mpl
from matplotlib import pyplot as plt
from sklearn.linear_model import LinearRegression

company_a = np.array([
    [0.8, 0.4, 0.5, 0.6, 0.7, 1.2, 0.5, 0.9, 1.5, 1.2],
    [3, 1, 2, 2, 2, 3, 1, 2, 3, 2]])

company_b = np.array([
    [14.5, 15.3, 15.1, 18.7, 18.2, 19.2, 17.8, 22.0, 22.8, 24.1],
    [4, 4, 4, 5, 5, 5, 5, 6, 6, 6]])

company_c = np.array([
    [7.4, 5.6, 5.2, 6.7, 7.1, 5.9, 8.2, 7.8, 7.9, 11.2],
    [7, 6, 6, 7, 8, 8, 8, 7, 8, 10]])

company_d = np.array([[23.0],[2]])

companies = {"company_a": (company_a, "b"), "company_b": (company_b, "r"), "company_c": (company_c, "g"), "company_d": (company_d, "k")}

def plot_companies(data, clr):
    lin_reg = LinearRegression()
    X = data[1].reshape(-1, 1)
    y = data[0].reshape(-1, 1)
    try:
        lin_reg.fit(X, y)
        y_predict = lin_reg.predict(X)
        plt.plot(X, y, clr + ".")
        plt.plot(X, y_predict, clr + "-", alpha=0.3)
    except:
        plt.plot(X, y, clr + ".")

for key, value in companies.items():
    plot_companies(value[0], value[1])
plt.xlabel("Industry Quality Score", fontsize=12)
plt.ylabel("Revenue (millions of dollars)", fontsize=12)
plt.show()

Plot of data points and linear models

假设 D 公司目前排名为 2，收入为 2300 万，如果要获得 10 分的质量分数，我如何使用其他公司的 3 个线性模型来预测 D 公司的收入？

【问题讨论】：

标签： python machine-learning statistics linear-regression

【解决方案1】：

您的图表表明，收入和质量之间没有一般的线性关系：这取决于您所关注的公司。

所以答案是，你不能仅仅知道一家新公司的质量得分就对其发表任何评论。

但是，对于每家公司而言，这种关系看起来确实大致呈线性关系。顺便问一下，您的质量衡量标准不是以收入为输入吗？在那种情况下，这可以直截了当地解释回归是有效的。

至于估计质量已知的新公司的收入，如果你有一个点（质量，收入），你可以说当质量为 10 时收入会更高。如果你有 2 个点，你可以画一条线，如果你什么都没有，那么它就不是 ppssible。

【讨论】：