我有一个表格的回归问题:
y = X b
其中,y是响应向量,X是输入变量的矩阵,b是我正在搜索的拟合参数的向量。
Python为解决这种形式的问题提供了b = numpy.linalg.lstsq( X , y )。
然而,当我使用它时,我倾向于获得b组件的非常大或极小的值。
我想要执行同样的fit,但是将b的值限制在0到255之间。
看起来scipy.optimize.fmin_slsqp()是一种选择,但我发现对于我感兴趣的问题的大小,它非常慢(X类似于3375 by 1500,希望更大)。
是否还有其他Python选项来执行约束最小二乘匹配?
或者有用于执行或Ridge回归的p
我正在学习TensorFlow。
关于中的代码,我有一个问题
import tensorflow as tf
import numpy as np
# Create 100 phony x, y data points in NumPy, y = x * 0.1 + 0.3
x_data = np.random.rand(100).astype(np.float32)
y_data = x_data * 0.1 + 0.3
# Try to find values for W and b that compute y_data = W * x_data + b
# (We know tha
我用熊猫和状态模型做线性回归。然而,我找不到任何可能的方法来阅读结果。结果是显示的,但我需要做一些进一步的计算使用coef值。有没有可能将coef值存储到新变量中?
import statsmodels.api as sm
import numpy
ones = numpy.ones(len(x[0]))
t = sm.add_constant(numpy.column_stack((x[0], ones)))
for m in x[1:]:
t = sm.add_constant(numpy.column_stack((m, t)))
results = sm.OLS(y, t).f