线性回归如何更有效地预测？

Question

我需要更改以下方法来计算并返回线性回归预测 （对于多变量或单变量情况）。

注意：'predict' 方法应该用于测试集的预测， 以及在训练过程中。

输入参数：

• x_feature_vectors - 一个包含我们想要预测 y_predicted 值的所有特征向量的数据帧， 使用线性回归模型的权重。

  注意：预计 x_feature_vectors 包含虚构的特征列，其中 常数值 1，表示 x_0 虚构特征（称为“x_0”）。

• trained_w - 训练后的 w 向量，即训练后的权重向量（或训练中某个步骤的权重向量）。

  注意：预计trained_w 系列包含w_0 单元格作为第一个单元格。 所有单元格的索引都应适合“列”（即列标题 是“x_feature_vectors”数据帧的列索引），包括“x_0” 虚构的专栏。

返回值：

• y_predicted - 每个输入特征向量实例的一系列预测

我的代码：

def predict(x_featureVectors,trained_w):
    
    y_predicted = pd.Series(index=x_featureVectors.index, dtype=float)
    
    for index in x_featureVectors.index:
        y_predicted[index] = 0
        for col in x_featureVectors.columns:
            y_predicted[index] += trained_w[col] * x_featureVectors.loc[index, col]
    
    return y_predicted

我怎样才能更有效地做到这一点？我可以用一个 for 循环来做到这一点吗？

Answer 1

假设你有一个虚构的列，预测只是每行的点积向量与权重向量：

def predict(x_featureVectors, trained_w):
    return np.dot(x_featureVectors, trained_w)