在线性回归中使用现有系数和截距

Posted 2023-03-12

【中文标题】在线性回归中使用现有系数和截距

【英文标题】：Use existing coefficient and intercept in Linear regression

【发布时间】：2020-08-18 21:02:21

【问题描述】：

我将scikit-learn 模块用于Linear Regression。我的模型每天都在运行，现在我将模型的变量 (coef_ & intercept_) 存储到文件中，以便在我的模型运行时再次使用它。

假设，在一年的历史中，我每天都在运行模型。 11月25日，我将模型的coef_ & intercept_保存在一个文件中，所以我再次重新启动我的程序，它将从11月25日开始，一直运行到最后

因此，当我比较重启前后 11 月 26 日的预测时，预测是不同的。所以我只是想在重启前使用coef_ & intercept_，这样重启后，它应该预测11月26日的情况。

为此，我只需覆盖 coef_ 和 intercept_

from sklearn import linear_model

model = linear_model.LinearRegression()
model.coef_ = coef_stored
model.intercept_ = intercept_stored

model.fit(X, y)
model.predict(x)

我希望我对 26 日的预测在重启之前和之后都相同。使用上面的代码我无法实现它。

【问题讨论】：

那么，您的问题是什么？

@desertnaut 对同一日期（11 月 26 日）的预测在重启前后有所不同。也写这个问题

"所以 [这是我的问题]" 后跟 "所以我只是认为" 可以说是一个问题的错误结构。 “我尝试了这个 [代码]，但它并没有像我预期的那样给出相同的结果”对于读者来说会更简单、更直接、更不容易混淆。

【参考方案1】：

不建议更改未经训练的模型的属性，但可以按照 Desertnaut 的评论进行操作，如 How to instantiate a Scikit-Learn linear model with known coefficients without fitting it 所示。

但是，如果您调用fit 方法，则系数和截距将被覆盖。

from sklearn.linear_model import LinearRegression
import numpy as np
np.random.seed(0)

my_intercepts = np.ones(2)
my_coefficients = np.random.randn(2, 3)

new_model = LinearRegression()
new_model.intercept_ = my_intercepts
new_model.coef_ = my_coefficients

print(new_model.coef_)
#[[ 1.76405235  0.40015721  0.97873798]
# [ 2.2408932   1.86755799 -0.97727788]]


new_model.predict(np.random.randn(5, 3))
#array([[ 2.51441481,  2.94725181],
#       [ 3.20531004,  0.76788778],
#       [ 2.82562532,  2.49886169],
#       [ 1.98568931,  4.73850448],
#       [-1.28821286,  2.60145844]])

---

你说：

所以我只是想在重新启动之前使用 coef_ 和 intercept_， 所以重启后，它应该会预测 11 月 26 日的情况。

如果在确定使用相同的数据和模型系数时没有得到相同的结果，则说明有问题。如果您在程序的前后状态之间升级了 sklearn，则 sklearn 版本之间可能会有细微差别。

【讨论】：

你的基本前提不成立；确实可以在拟合模型之前定义model.coef_ OP 显示的方式：How to instantiate a Scikit-Learn linear model with known coefficients without fitting it。请注意，OP 尚未报告他们可能面临的任何具体错误。

感谢您告诉我。这是我第一次看到这种情况，但这样做仍然非常危险。

我也是第一次看到，所以我把这个帖子加了书签！我很惊讶它甚至可以工作，但我不同意它是危险的（当然前提是你确切地知道你在做什么）。

我同意，但您很容易忘记不应调用 .fit()。无论如何，我也试图回答问题的第二部分。

这是肯定的；至于其余的，我还不确定 OP 是否准确地表达了他们的问题，尤其是这里的“重启”究竟是什么。