利用Sklearn包中的linear_model做回归，如何得到回归系数T值？

是 否 +2 论坛币

k人 参与回答

经管之家送您一份

应届毕业生专属福利!

求职就业群

赵安豆老师微信：zhaoandou666

经管之家联合CDA

送您一个全额奖学金名额~ !

立即领取

感谢您参与论坛问题回答

经管之家送您两个论坛币！

+2 论坛币

from sklearn import linear_model包中的lasso回归、ringe回归，如何得到结果中回归系数中的T值？

扫码加我 拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

分享0 收藏0 回帖

关键词：回归系数

由大神知道么。。。

这个好像没有，要自己算

你要是希望用python来获得一些统计学意义，你可以使用statsmodels，这个包包函很多计量统计上的工具

齐物论pi 发表于 2019-4-17 07:24
你要是希望用python来获得一些统计学意义，你可以使用statsmodels，这个包包函很多计量统计上的工具

谢谢，但statsmodels包里面没有弹性网、套索回归等由正则惩罚项的回归

from sklearn.linear_model import LinearRegression
linreg = LinearRegression()
# 拟合训练集
linreg.fit(train_X, train_Y)
# 打印模型的系数
print (linreg.intercept_)
print (linreg.coef_)
# 其中的一组输出为
# [ 458.39877507]
# [[-1.97137593 -0.23772975  0.05834485 -0.15731748]]
# 线性模型 Y = theta0 + theta1 * x1 + theta2 * x2 + theta3 * x3 + theta4 * x4
# PE = 458.39877507 - 1.97137593 * AT - 0.23772975 * V + 0.05834485 * AP - 0.15731748 * RH

# 对于线性回归模型, 一般使用均方误差(Mean Squared Error,MSE)或者
# 均方根误差(Root Mean Squared Error,RMSE)在测试集上的表现来评该价模型的好坏.
test_Y_pred = linreg.predict(test_X)
print "测试集MSE:", mean_squared_error(test_Y, test_Y_pred)
print "测试集RMSE:", np.sqrt(mean_squared_error(test_Y, test_Y_pred))

# 可以通过交叉验证来持续优化模型, 下面采用的是10折交叉验证
from sklearn.model_selection import cross_val_predict
Y_pred = cross_val_predict(linreg, X, Y, cv=10)
print ("交叉验证MSE:", mean_squared_error(Y, Y_pred))
print ("交叉验证RMSE:", np.sqrt(mean_squared_error(Y, Y_pred)))

Ridge回归，不推荐直接用这个Ridge类，除非你只是为了学习Ridge回归。
具体的示例代码如下所示：
---------------------------------------------------------------------------------------------------
from sklearn.linear_model import Ridge
# 在初始化Ridge类时, 指定超参数α, 默认值是1.0.
ridge = Ridge(alpha=1.0)
# 拟合训练集
ridge.fit(train_X, train_Y)
# 打印模型的系数
print (ridge.intercept_)
print (ridge.coef_)

# 其中的一组输出为
# [ 458.39070895]
# [[-1.97134533 -0.23774135  0.05835247 -0.15731236]]
# 线性模型 Y = theta0 + theta1 * x1 + theta2 * x2 + theta3 * x3 + theta4 * x4
# PE = 458.39070895 - 1.97134533 * AT - 0.23774135 * V + 0.05835247 * AP - 0.15731236 * RH

# 对于线性回归模型, 一般使用均方误差(Mean Squared Error,MSE)或者
# 均方根误差(Root Mean Squared Error,RMSE)在测试集上的表现来评该价模型的好坏.
test_Y_pred = ridge.predict(test_X)
print ("测试集MSE:", mean_squared_error(test_Y, test_Y_pred))
print ("测试集RMSE:", np.sqrt(mean_squared_error(test_Y, test_Y_pred)))

Lasso类需要自己对α调优，所以不是Lasso回归的首选，一般使用下面将会讲到的LassoCV类。
具体的示例代码如下所示：
---------------------------------------------------------------------------------------------------
from sklearn.linear_model import Lasso
# 在初始化Lasso类时, 指定超参数α, 默认值是1.0.
lasso = Lasso(alpha=1.0)
# 拟合训练集
lasso.fit(train_X, train_Y)
# 打印模型的系数
print (lasso.intercept_)
print (lasso.coef_)

# 对于线性回归模型, 一般使用均方误差(Mean Squared Error,MSE)或者
# 均方根误差(Root Mean Squared Error,RMSE)在测试集上的表现来评该价模型的好坏.
test_Y_pred = lasso.predict(test_X)
print("测试集MSE:", mean_squared_error(test_Y, test_Y_pred))
print ("测试集RMSE:", np.sqrt(mean_squared_error(test_Y, test_Y_pred)))

snakely 发表于 2019-4-17 16:59
谢谢，但statsmodels包里面没有弹性网、套索回归等由正则惩罚项的回归

有吧？？？？我觉得好像有，其实都是利用残差之类进行计算，自己按照公式定义方程

yunnandlg 发表于 2019-4-17 23:14
Ridge回归，不推荐直接用这个Ridge类，除非你只是为了学习Ridge回归。
具体的示例代码如下所示：
------- ...

谢谢这位朋友 ，RMSE是评价模型整体好坏的指标，但是你还是没回答我的问题，系数的T值怎么查看？。。