Обычная регрессия методом наименьших квадратов, дающая неверный прогноз

Я использую statsmodels OLS, чтобы подогнать ряд точек к линии:

import statsmodels.api as sm
Y = [1, 2, 3, 4, 5, 6, 7, 8, 9, 11, 12, 13, 14, 15]
X = [[73.759999999999991], [73.844999999999999], [73.560000000000002], 
    [73.209999999999994], [72.944999999999993], [73.430000000000007], 
    [72.950000000000003], [73.219999999999999], [72.609999999999999], 
    [74.840000000000003], [73.079999999999998], [74.125], [74.75],
    [74.760000000000005]]

ols = sm.OLS(Y, X)
r = ols.fit()
preds = r.predict()
print preds

И получаю следующие результаты:

[ 7.88819844  7.89728869  7.86680961  7.82937917  7.80103898  7.85290687
  7.8015737   7.83044861  7.76521269  8.00369809  7.81547643  7.92723304
  7.99407312  7.99514256]

Это примерно в 10 раз меньше. Что я делаю не так? Я попытался добавить константу, которая просто увеличивает значения в 1000 раз. Я не очень разбираюсь в статистике, так что, может быть, мне нужно что-то сделать с данными?


python statsmodels regression
person Ed Rahn    schedule 13.12.2014    source источник
comment
Просто примечание: это не логистическая регрессия.   -  person shadowtalker    schedule 13.12.2014
comment
Может быть, модель X с точки зрения Y?   -  person Michael M    schedule 13.12.2014
comment
Модели имеют зависимую переменную в качестве первого аргумента и не добавляют константу автоматически. Я думаю, вам нужна модель, определенная sm.OLS(X, sm.add_constant(Y)).fit()   -  person Josef    schedule 13.12.2014

Ответы (1)


arrow_upward
5
arrow_downward

Я думаю, вы поменяли свой ответ и свой предиктор, как предложил Майкл Майер в своем комментарии. Если вы построите данные с прогнозами из вашей модели, вы получите что-то вроде этого:

import statsmodels.api as sm
import numpy as np
import matplotlib.pyplot as plt

Y = np.array([1,2,3,4,5,6,7,8,9,11,12,13,14,15])
X = np.array([ 73.76 ,  73.845,  73.56 ,  73.21 ,  72.945,  73.43 ,  72.95 ,
    73.22 ,  72.61 ,  74.84 ,  73.08 ,  74.125,  74.75 ,  74.76 ])
Design = np.column_stack((np.ones(14), X))
ols = sm.OLS(Y, Design).fit()
preds = ols.predict()

plt.plot(X, Y, 'ko')
plt.plot(X, preds, 'k-')
plt.show()

введите здесь описание изображения

Если вы поменяете местами X и Y, что, я думаю, вам нужно, вы получите:

Design2 = np.column_stack((np.ones(14), Y))
ols2 = sm.OLS(X, Design2).fit()
preds2 = ols2.predict()
print preds2
[ 73.1386399   73.21305699  73.28747409  73.36189119  73.43630829
  73.51072539  73.58514249  73.65955959  73.73397668  73.88281088
  73.95722798  74.03164508  74.10606218  74.18047927]

plt.plot(Y, X, 'ko')
plt.plot(Y, preds2, 'k-')
plt.show()

введите здесь описание изображения

person Nate    schedule 13.12.2014