SCRICKIT-LEARN或STATS模型中线性回归调整参数的极限 [英] limit bounds of tuning parameters for linear regression in scikit-learn or statsmodels

问题描述

是否可以限制SCRICKIT-LEARN或STATSMODEL中的线性回归调整参数的范围，例如，在statsModels.regression.line_Model.OLS或sklearn.linearModel.LinearRegress中？

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

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

编辑：

---

scipy 0.17包括带有绑定约束的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，我所希望的是最小化目标误差函数，并最小化调整乘数参数从默认值1.0开始的变化。这可能是目标函数的一部分。

请注意，以下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

推荐答案

不确定您所说的"限制调整参数的范围"是什么意思。

• 如果希望结果组件位于预先指定的范围内，可以尝试scipy.optimize.least_squares，这样可以解决

  最小化F(X)=0.5*sum(Rho(f_i(X)**2)，i=0，...，m-1) 受制于lb<；=x<；=ub

• 如果您担心共线性导致结果分量的大小过大，可以尝试sklearn.linear_model.Ridge(或那里的其他正则化线性回归变量之一)。

这篇关于SCRICKIT-LEARN或STATS模型中线性回归调整参数的极限的文章就介绍到这了，希望我们推荐的答案对大家有所帮助，也希望大家多多支持IT屋！