Sklearn 线性回归 X 和 Y 输入格式

Question

我对 sklearn linear_model.LinearRegression(module) 的输入有一些疑问。

ages_train = [[20, 10000], [22, 12000], [22, 14000], [25, 17000], [30, 29000]]
net_worths_train = [10000, 12000, 14000, 17000, 29000]

reg = linear_model.LinearRegression()
reg.fit(ages_train, net_worths_train)

上述方法有效，但难以绘制。例如，这样做是行不通的：

plt.scatter(ages_train, net_worths_train, color = "b", label = "train data")

所以我想做的是输入这个：

ages_train = np.array([20, 22, 25, 27, 30, 31, 31, 34, 42, 50])
net_worths_train = np.array([10000, 12000, 16000, 20000, 30000, 33000, 34000, 38000, 49000, 60000])

但是这种数据格式不适用于 linear_model.LinearRegression 的 .fit() 函数。输入数据并使其易于绘制的正确方法是什么？使用 numpy 数组更可取吗？

Answer 1

查看documentation for scikits.learn。您将看到 X 和 Y 需要分别是形状为 (n_samples, n_features) 和 (n_sample, n_targets) 的二维数组。即使您只有一个功能和一个目标，情况也是如此。

你知道形状数组 (6, 1) 和形状数组 (6,) 的区别吗？一开始有点混乱，但第一个是真正的二维数组，恰好有一列，第二个是完全一维的数组。

以下是将数据转换为二维数组的方法。是的，在处理这样的数字数据时，您应该使用 numpy，而不是列表。

ages_train = np.array([20, 22, 25, 27, 30, 31, 31, 34, 42, 50])
net_worths_train = np.array([10000, 12000, 16000, 20000, 30000, 33000, 34000, 38000, 49000, 60000])
reg.fit(ages_train[:, np.newaxis], net_worths_train[:, np.newaxis])
print reg.coef_, reg.intercept_

顺便说一句，如果你真的只想做简单的线性回归，可以考虑np.polyfit（多项式拟合）或np.linalg.lstsq（广义最小二乘法）。这些更易于安装和使用。不过，Scikits-learn 具有更多功能和高级回归技术。