將 LinearRegression（來自 sklearn.linear_model）系數保存在列表中

Question

我陷入了一個應該非常簡單的問題。 我正在運行四個簡單的線性回歸（僅更改 x 變量），對於所有回歸，我需要將截距和 scope 系數存儲在一個列表中。

我認為這會很容易，但似乎我不擅長處理列表。 結果為列表中的所有四個模型存儲了相同的系數。

這是我的代碼：

from sklearn.linear_model import LinearRegression
variables = ['Number_of_likes','Number_of_comments','Number_of_followers','Number_of_repplies']
models = [None] * 4


lm = LinearRegression()
#Fit regressions
models[0] = lm.fit(X[[variables[0]]],y)
models[1] = lm.fit(X[[variables[1]]],y)
models[2] = lm.fit(X[[variables[2]]],y)
models[3] = lm.fit(X[[variables[3]]],y)

當我查看“模型”時，它似乎只將最后一次回歸的結果存儲在所有四個插槽中。

希望我能很好地解釋我的問題。

Answer 1

lm.fit()將修改現有實例，而不是創建它的新副本。 此外， models列表將通過引用存儲這些實例，從而產生您所看到的行為。

為了解決這個問題，您需要在每次想要將其擬合到新輸入時創建一個新的LogisticRegression ，而不是重復使用相同的舊 model。 例如：

models = []    # just an empty list; we will append our models to it one by one
for var in variables:
    lm = LinearRegression()  # create a new object
    lm.fit(X[[var]], y)      # fit it
    models.append(lm)        # add it to the list

或者，對您的原始代碼更忠實的版本是（使用sklearn.base.clone ）：

from sklearn.base import clone  # to create a new copy of the lm object

lm = LinearRegression()
#Fit regressions
models[0] = clone(lm).fit(X[[variables[0]]],y)
models[1] = clone(lm).fit(X[[variables[1]]],y)
models[2] = clone(lm).fit(X[[variables[2]]],y)
models[3] = clone(lm).fit(X[[variables[3]]],y)