- c - 在位数组中找到第一个零
- linux - Unix 显示有关匹配两种模式之一的文件的信息
- 正则表达式替换多个文件
- linux - 隐藏来自 xtrace 的命令
我一直在尝试按照 bigdataexaminer 上的教程通过线性回归来拟合这些数据。直到此时一切都运行良好。我从 sklearn 导入了 LinearRegression,并打印出系数的数量就好了。这是我尝试从控制台获取系数之前的代码。
import numpy as np
import pandas as pd
import scipy.stats as stats
import matplotlib.pyplot as plt
import sklearn
from sklearn.datasets import load_boston
from sklearn.linear_model import LinearRegression
boston = load_boston()
bos = pd.DataFrame(boston.data)
bos.columns = boston.feature_names
bos['PRICE'] = boston.target
X = bos.drop('PRICE', axis = 1)
lm = LinearRegression()
在我完成所有这些设置后,我运行了以下命令,它返回了正确的输出:
In [68]: print('Number of coefficients:', len(lm.coef_)
Number of coefficients: 13
但是,现在如果我再次尝试打印同一行,或使用“lm.coef_”,它会告诉我 coef_ 不是 LinearRegression 的属性,就在我刚刚成功使用它之后,但我没有在我再次尝试之前触摸任何代码。
In [70]: print('Number of coefficients:', len(lm.coef_))
Traceback (most recent call last):
File "<ipython-input-70-5ad192630df3>", line 1, in <module>
print('Number of coefficients:', len(lm.coef_))
AttributeError: 'LinearRegression' object has no attribute 'coef_'
最佳答案
coef_
属性是在调用 fit()
方法时创建的。在此之前,它将是未定义的:
>>> import numpy as np
>>> import pandas as pd
>>> from sklearn.datasets import load_boston
>>> from sklearn.linear_model import LinearRegression
>>> boston = load_boston()
>>> lm = LinearRegression()
>>> lm.coef_
---------------------------------------------------------------------------
AttributeError Traceback (most recent call last)
<ipython-input-22-975676802622> in <module>()
7
8 lm = LinearRegression()
----> 9 lm.coef_
AttributeError: 'LinearRegression' object has no attribute 'coef_'
如果我们调用fit()
,系数将被定义:
>>> lm.fit(boston.data, boston.target)
>>> lm.coef_
array([ -1.07170557e-01, 4.63952195e-02, 2.08602395e-02,
2.68856140e+00, -1.77957587e+01, 3.80475246e+00,
7.51061703e-04, -1.47575880e+00, 3.05655038e-01,
-1.23293463e-02, -9.53463555e-01, 9.39251272e-03,
-5.25466633e-01])
我的猜测是您在运行有问题的行时以某种方式忘记调用 fit()
。
关于python - AttributeError: LinearRegression 对象没有属性 'coef_',我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/38646040/
我做了一个非常简单的程序,它从 csv 文件中获取数据列,这里是文件数据的简短预览: ,matchId,blue_win,blueGold,blueMinionsKilled,blueJungleMi
我正在尝试解决线性回归问题,并且正在使用 sklearn 中的 LinearRegression() 函数。是否可以显示权重和偏差? 最佳答案 拟合模型后,使用coef_属性来检索权重并使用inter
我正在尝试使用 scikit-learn 库进行特征选择。我的数据很简单。行是样本,列是特征。虽然原来的类标签是 X 和 Y,但我将它们更改为数字以进行线性回归,X 为 0,Y 为 1。 G1 G2
我在 Python ( sklearn ) 中进行多元线性回归,但出于某种原因,系数未作为列表正确返回。相反,返回列表中的列表: from sklearn import linear_model cl
import os import pandas as pd import matplotlib.pyplot as plt from sklearn.pipeline import Pipeline
我正在使用 sklearn.linear_model 和模块 LinearRegression 执行一个简单的自回归模型。你可以在下面看到我的代码。训练数据集位于 train 中,X 包含目标的滞后版
我有一个这样的列表: list1 = [['2012', '1', '3', '1', '832.0', '261.0', '100.00'], ['2012', '1', '5', '1', '5
当我尝试使用 scikit-learn LinearRegression 时,模型表现不佳,但是,当我尝试 scipy 线性回归时,它运行良好,数据集很简单,逻辑或者代码有缺陷吗? 我尝试了多个 se
我是机器学习的初学者。这只是一个简单的问题,LinearRegression()中的coef_代表什么?我知道它代表系数,但我不明白这些值,高且正的 coef_ 是否意味着更强的关系? 而且,如果 c
从一个示例开始,我尝试进行线性回归。问题是我得到了错误的结果。作为拦截器我应该有:2.2。 我尝试添加在另一篇文章中找到的 .optimizer.setStepSize(0.1),但仍然得到一个奇怪的
我正在一个简单的数据集上尝试 scikit-learn LinearRegression 模型(来自 Andrew NG coursera 类(class),我并不重要,请查看图表以供引用) 这是我的
所以我正在开展一个项目,该项目使用 RFECV 进行特征选择,然后对所选变量进行岭回归。 数据集的结构方式我有一个 train_y = 因变量,train_x = 数据框中的所有其他内容(变量在其他模
我想要模型的公式以便在其他语言/项目中使用它。有没有办法从模型中导出公式? 我将使用 sklearn linear regression model . 我最终想做的是:给定一个公式 f() 和数据集
我正在尝试进行多变量线性回归。但我发现 sklearn.linear_model 工作起来很奇怪。这是我的代码: import numpy as np from sklearn import line
我正在尝试根据各种其他因素预测调用中心的调用量。我有一个相当干净的数据集,也相当小,但足够了。我能够训练和测试历史数据并获得分数、摘要等。我一生都无法弄清楚如何使用预测因子数据来预测 future 的
我一直在尝试按照 bigdataexaminer 上的教程通过线性回归来拟合这些数据。直到此时一切都运行良好。我从 sklearn 导入了 LinearRegression,并打印出系数的数量就好了。
我最近开始使用线性回归进行机器学习。我使用了 LinearRegression (lr) 来预测一些值。事实上,我的预测很糟糕,我被要求更改超参数以获得更好的结果。 我使用以下命令获取超参数: lr.
from sklearn.linear_model import LinearRegression 在 Jupyter Notebook 中给了我这个错误: ---------------------
据我了解,scikit-learn 中的 LinearRegression 类和 SGDRegressor 类都执行线性回归。但是,只有 SGDRegressor 使用梯度下降作为优化算法。 那么Li
我正在尝试计算日期值对的趋势值。 我正在使用 Robert Sedgewick 和 Kevin Wayne 的 LinearRegression.java。 https://algs4.cs.prin
我是一名优秀的程序员,十分优秀!