使用sklearn进行多元线性回归

Question

我有一个类似的时间序列：

        date       var1     var2       var3       var4       var5      var6
0 2004-09-30   6.252216  10.502101  4.965370  26.828754  3.321060  2.723686   
1 2004-10-29   6.861840   9.776618  4.719399  27.621344  2.281346  4.449510   
2 2004-11-30   8.171250  10.704045  4.949747  30.259377  2.064655  2.843745   
3 2004-12-31   9.702585  11.371383  5.422177  33.578991 -1.008974  2.768579   
4 2005-01-31  12.064022  10.628460  6.390097  35.135098 -0.385921  3.244204   

我想使用sklearn的线性回归函数来计算此时间序列上的斜率，y轴截距和误差（r平方）。 请注意，所有这些值已经通过我自己的函数进行了标准化，因此不需要使用sklearn的normalize参数。

到目前为止，这是我对一列进行回归的代码：

reg.fit(df.date.values.reshape(-1, 1), df.var1.values.reshape(-1, 1))
alpha = reg.intercept_[0]
beta = reg.coef_[0][0]
error = reg.score(df.date.values.reshape(-1, 1), df.var1.values.reshape(-1, 1))
values = {"alpha":alpha, "beta":beta, "error": error}

我的问题是，我不知道如何同时考虑到每一列进行回归。 最重要的是，R ^ 2计算不起作用。

除了R ^ 2，我对某些独立列的斜率和截距非常小：

{'beta': -3.205305722098675e-17, 'alpha': 43.05076221170246}

我将如何解决这些问题？

Answer 1

代替

df.var1.values.reshape(-1, 1)

刚过去

df.drop('date', axis=1)  # .values should be optional here also

代替它。

这使df具有除date之外的所有列。