在python中保存多个不同的多项式回归对象答案

【问题标题】：Saving multiple different polynomial regression objects in python在python中保存多个不同的多项式回归对象
【发布时间】：2021-12-31 02:54:05
【问题描述】：

我正在尝试生成不同程度的多项式回归并保存模型对象。

import pandas as pd
import numpy as np
from sklearn.linear_model import LinearRegression
import matplotlib.pyplot as plt
import seaborn as sns
from sklearn.preprocessing import PolynomialFeatures
from sklearn.metrics import r2_score
from sklearn.metrics import mean_squared_error as MSE

df = pd.read_csv("kc_house_train_data(1).csv")

X = df['sqft_living'].values
Y = df['price'].values

lm = LinearRegression()

def Poly(X, degree):
    poly = PolynomialFeatures(degree = degree)
    poly_X = poly.fit_transform(X.reshape(-1,1))
    
    return poly_X

models = []

for i in range(15):
    poly_X = Poly(X, i+1)
    model = lm.fit(poly_X, Y)
    model.append(models)

lm 是来自 sklearn 的 LinearRegression()。

我最终得到了一个模型列表，但所有模型都是 15 度多项式。不知道我做错了什么。

编辑：print(df[['sqft_living', 'price']].head(10).tostring()) 的输出：

       sqft_living      price
0             1180   221900.0
1             2570   538000.0
2              770   180000.0
3             1960   604000.0
4             1680   510000.0
5             5420  1225000.0
6             1715   257500.0
7             1060   291850.0
8             1780   229500.0
9             1890   323000.0
10            3560   662500.0

【问题讨论】：

抱歉，已编辑！
请使用print(df[['sqft_living', 'price']].tostring(index=False))的输出更新您的帖子
你可能需要 models.append(model) 而不是 model.append(models)
我的意思是print(df[['sqft_living', 'price']].head(10).tostring(index=False))
输出已添加，谢谢！

标签： python scikit-learn regression polynomials

【解决方案1】：

您必须在每次迭代时重新创建模型。试试：

models = []

for i in range(15):
    poly_X = Poly(X, i+1)
    lm = LinearRegression()
    model = lm.fit(poly_X, Y)
    models.append(model)

>>> models[0].n_features_in_
2

>>> models[1].n_features_in_
3

>>> models[2].n_features_in_
4

【讨论】：

成功了！谢谢！