sklearn 线性回归中的 Function 方程/使用系数计算得出的结果与 model.predict(x) 不同

Question

我正在尝试获取使用 sklearn 创建的线性回归 model 的方程。 但是，当我尝试使用 model 中的系数手动计算预测时，我得到了奇怪的结果。 我想我在某个地方犯了一个错误，但我自己无法弄清楚......

这是我的代码：

# Many data points in Pandas DataFrame "filtered_data"

predictors = ["Druckwinkel korrigiert [°]", "Druckwinkel sq.", "Drehzahl [1/min]"]
regressant = "Kraft [N]"

x = filtered_data[predictors].to_numpy()
y = filtered_data[regressant].to_numpy()

model = LinearRegression()
model.fit(x, y)

print("Intercept:", model.intercept_)
print("Coefficients:", model.coef_)
print("R²:", model.score(x, y))

这打印：

Intercept: 150070.5970260448
Coefficients: [-1.28305930e+04  2.73978667e+02  1.48116871e-01]
R²: 0.9578737003844259

如果我做

model.predict(np.array([28, 28**2, 2768]).reshape(1, -1))

我明白了

array([6023.2553988])

这似乎是合理的。 但是，如果我使用系数和截距来计算 Y，如下所示：

def load(contact_angle, shaft_speed):
     return 150070.59702 - 12830.59299 * (contact_angle ** 2) + 273.97866 * contact_angle + 0.14811 * shaft_speed

load(28, 2768)

我明白了

-9901032.920822442

这根本不是我所期望的......

任何人都可以帮忙吗？

Answer 1

我认为您正在预测[28, 28**2, 2768]并且您的手动计算正在通过[28**2, 28, 2768] 。

要解决这个问题：

def load(contact_angle, shaft_speed):
     return 150070.59702 - 12830.59299 * contact_angle + 273.97866 * (contact_angle ** 2) + 0.14811 * shaft_speed

load(28, 2768)