首页 文章

Python Sklearn线性回归不可调用

提问于
浏览 次
-1

我正在使用pandas和sklearn实现简单的线性回归和多元线性回归

我的代码如下

import pandas as pd
import numpy as np
import scipy.stats
from sklearn import linear_model
from sklearn.metrics import r2_score
df = pd.read_csv("Auto.csv", na_values='?').dropna()

lr = linear_model.LinearRegression()
y = df['mpg']
x = df['displacement']
X = x.values.reshape(-1,1)
sklearn_model = lr.fit(X,y)

这样可以正常工作，但是对于多元线性回归，由于某些原因它在sklearn的线性回归结束时不能使用（），当我使用括号时，我得到以下错误：

TypeError: 'LinearRegression' object is not callable

我的多元线性回归代码如下：

lr = linear_model.LinearRegression

feature_1 = np.array(df[['displacement']])
feature_2 = np.array(df[['weight']])
feature_1 = feature_1.reshape(len(feature_1),1)
feature_2 = feature_2.reshape(len(feature_2),1)

X = np.hstack([feature_1,feature_2])

sklearn_mlr = lr(X,df['mpg'])

我想知道我做错了什么 . 另外，如果我最后不使用（），我无法在线性回归方法中打印各种属性 . 例如

print(sklearn_mlr.coef_)

给我错误：

AttributeError: 'LinearRegression' object has no attribute 'coef_'
python numpy scikit-learn regression sklearn-pandas

3 回答

  • 1

    鉴于此片段：

    lr = linear_model.LinearRegression

feature_1 = np.array(df[['displacement']])
feature_2 = np.array(df[['weight']])
feature_1 = feature_1.reshape(len(feature_1),1)
feature_2 = feature_2.reshape(len(feature_2),1)

X = np.hstack([feature_1,feature_2])

sklearn_mlr = lr(X,df['mpg'])

    您的问题是您尚未初始化LinearRegression类的实例 . 您需要像在第一个示例中那样初始化它 . 然后您可以像这样使用 fit 方法：

    lr = linear_model.LinearRegression()

feature_1 = np.array(df[['displacement']])
feature_2 = np.array(df[['weight']])
feature_1 = feature_1.reshape(len(feature_1),1)
feature_2 = feature_2.reshape(len(feature_2),1)

X = np.hstack([feature_1,feature_2])

sklearn_mlr = lr.fit(X,df['mpg'])

    一旦实例适合，它将具有文档中列出的属性（例如 .coef_ ） . 因为它是你试图访问LogisticRegression类本身的 .coef .

    回复于
  • 0

    lr 是您示例中的一个类 .

    您需要初始化它，然后从实例中调用 .fit(X,df['mpg']) .

    回复于
  • 0

    为什么不按如下方式导入：

    from sklearn.linear_model import LinearRegression

    在我看来，它比你做的要干净得多 . 然后你就可以这样使用它：

    lr = LinearRegression()
    回复于

相关问题