首页 文章

限制scikit-learn或statsmodels中线性回归的调整参数的界限

提问于
浏览 次
1

是否可以限制scikit-learn或statsmodels中线性回归的调整参数的界限，例如：在statsmodels.regression.linear_model.OLS或sklearn.linear_model.LinearRegression？

http://statsmodels.sourceforge.net/devel/generated/statsmodels.regression.linear_model.OLS.html

http://scikit-learn.org/stable/modules/generated/sklearn.linear_model.LinearRegression.html

EDIT ：

scipy 0.17包含带有约束约束的scipy.optimize.leastsq：

http://docs.scipy.org/doc/scipy-0.17.0/reference/generated/scipy.optimize.least_squares.html#scipy.optimize.least_squares

理想情况下，我正在寻找的是最小化客观误差函数，并最小化调整乘数参数从默认值1.0的变化 . 这可能是目标函数的一部分 .

请注意，这是适用于我的框边界的选项列表：

method='trf' or 'dogbox'
loss='cauchy'
f_scale=1e-5 to 1e-2
python numpy scipy scikit-learn statsmodels

1 回答

  • 1

    不确定你的意思是“限制调整参数的界限” .

    最小化F（x）= 0.5 总和（rho（f_i（x）* 2），i = 0，...，m - 1）受lb <= x <= ub

    • 如果您担心结果组件由于共线性而在幅度上太大，您可以尝试sklearn.linear_model.Ridge（或其中一个其他正则化线性回归量） .
    回复于

相关问题