如何在 python 中使用 .predict() 方法進行線性回歸？

Question

我從我的 dataframe 估計了多元回歸 model。 我有三個獨立變量：月份（1 到 36）、價格和廣告日。

我想做出預測，改變條件：

- 未來 10 個月（37 到 47）的預測值，價格 = 85，廣告日 = 4

我估計我的 model 並嘗試：

Time1= np.arange(37,48)
Price1=85
Ads1=4
Lm.predict([Time1,Price1,Ads1])

但它不起作用

謝謝

Answer 1

你需要有一個二維數組

Lm.predict([[Time1,Price1,Ads1]])

Answer 2

假設您的 model 在沒有任何嵌套 arrays 的 2D 陣列上進行了訓練，問題是：

1. 您要預測的輸入不是 2D
2. 變量Time1本身就是一個數組，因此，您創建了一個嵌套數組： [Time1,Price1,Ads1]

您當前的預測調用如下所示：

Time1 = np.arange(37,48)
Price1=85
Ads1=4
print([Time1,Price1,Ads1])

看起來像：

[array([37, 38, 39, 40, 41, 42, 43, 44, 45, 46, 47]), 85, 4]

您可以將其轉換為所需的格式，如下所示：

import numpy as np
print(np.concatenate([Time1, [Price1, Ads1]]).reshape(1,-1))

這看起來像：

array([[37, 38, 39, 40, 41, 42, 43, 44, 45, 46, 47, 85,  4]])

Answer 3

首先使用過去觀察的訓練數據訓練 model。 在您的情況下，火車數據構成每個觀察的 3 個三個自變量和 1 個因變量。

一旦訓練了像樣的 model（使用超參數優化），您就可以使用它來進行預測。

示例代碼（內聯記錄）

import numpy as np
from sklearn.linear_model import LinearRegression

# sample dummy data 

# independent variables
time = np.arange(1,36)
price = np.random.randint(1,100,35)
ads = np.random.randint(1,10,35)
# dependent variable
y = np.random.randn(35)

# Reshape it into 35X3 where each row is an observation
train_X = np.vstack([time, price, ads]).T

# Fit the model
model = LinearRegression().fit(train_X, y)

# Sample observations for which 
# forecast of dependent variable has to be made
time1 = np.arange(37, 47)
price1 = np.array([85]*len(time1))
ads1 = np.array([4]*len(time1))

# Reshape such that each row is an observation
test_X = np.vstack([time1, price1, ads1]).T

# make the predictions
print (model.predict(test_X))'

Output：

array([0.22189608, 0.2269302 , 0.23196433, 0.23699845, 0.24203257,
       0.24706669, 0.25210081, 0.25713494, 0.26216906, 0.26720318])