创建一个预测产品价格的回归模型

Posted 2023-03-12

【中文标题】创建一个预测产品价格的回归模型

【英文标题】：Creating a regression model that will predict price of a product

【发布时间】：2018-11-16 17:44:09

【问题描述】：

我有以特定价格销售特定数量相同产品的公司的数据，请参考以下：

Company A:
(qty)     (price)
100        1000
200        1800
300        2400

Company B:
(qty)     (price)
110       1000
200       1770
300       2390

Company C:
(qty)     (price)
1000       10000
1500       13000
3700       22000

我想创建一个模型，该模型将根据数据粗略预测一定数量产品的价格。我正在使用sickitlearn，我尝试在一个数组中收集所有数量，在另一个数组中收集价格。例如： numpy 数组中所有 3 家公司的所有数量：

import numpy as np
train_qty = np.array([[100,200,300,110,200,300,1000,1500,3700]])

价格：

train_prices = np.array([[1000,1800,300,110,200,300,1000,1500,3700]])

我试过了：

from sklearn import linear_model 
reg = linear.model.LinearRegression()
reg.fit(train_qty,train_prices)

但是，当我这样做时：

print(reg.coef_)

我得到一个全为零的矩阵。你能解释一下我做错了什么以及正确的做法吗？

【参考方案1】：

应该是

reg.fit(train_qty.T, train_prices.T)
reg.coef_  # 0.85178458

sklearn 线性模型查找系数 A 以便 XA = Y。这里你的train_qty 和train_prices 都是矩阵1 x 9，所以你得到A 一个矩阵9 x 9。你必须转置你的输入。

【参考方案2】：

获取一维数组的另一种选择是使用 reshape：

train_qty = np.array([[100,200,300,110,200,300,1000,1500,3700]]).reshape(-1,1)
train_prices = np.array([[1000,1800,300,110,200,300,1000,1500,3700]]).reshape(-1,1)