Scikit - 多项式回归的格式输出答案

【问题标题】：Scikit - Format Output of Polynomial RegressionScikit - 多项式回归的格式输出
【发布时间】：2025-12-24 04:10:10
【问题描述】：

我使用 scikit learn 进行多项式回归并尝试解释系数。但不知何故 scikit 不会格式化输出。所以它看起来像这样：

[ 0.,0.95545289,0.,0.20682341,-0.,0.,-0.,-0.,0.,0.,0.,-0.,0.,-0.,-0.,]

如何将系数映射到创建的特征？到目前为止我的代码：

poly = PolynomialFeatures(interaction_only=True)
X_ = poly.fit_transform(X_train_minmax)
X_test1 = poly.fit_transform(X_test_minmax)

lasso_model = linear_model.LassoCV(cv = 10, copy_X = True, normalize = False)
lasso_fit = lasso_model.fit(X_, y_train)
lasso_path = lasso_model.score(X_, y_train)
y_pred= lasso_model.predict(X_test1)
lasso_model.coef_

谢谢！

【问题讨论】：

你试过zip(X_.columns, lasso_model.coef_)吗？
您好，感谢您的回复。不幸的是 X_ 不是 DataFrame 而是数组表示中的矩阵。所以 .columns 在这里不起作用

标签： python scikit-learn regression non-linear-regression

【解决方案1】：

根据the docs中的PolynomialFeatures：

powers_[i, j] 是第 i 个输出中第 j 个输入的指数。

所以这样的事情应该可以工作：

columns = ['_'.join(['x{var}^{exp}'.format(var=var, exp=exp) for var, exp in enumerate(a[i, :])]) for i in range(a.shape[0])
zip(columns, lasso_model.coef_)

重要的一行是第一行。 :)

【讨论】：

【解决方案2】：

假设您正在运行二次多项式回归。所以，

poly = PolynomialFeature(degree =2)  #generate a polynomial object
X_ = poly.fit_transform(input_data)  #ndarray to be used for regression.

在哪里input_data = [X1,X2,X3,...] #actually ndarray represented as a List for simplicity

要在列表Lasso.coef_ 中查找存在（例如）X1 因子的索引，即 X1、X1**2、X1*X2、X1*X3、...X1*Xn，请使用以下命令

list_of_index = []

for j in range(len(input_data)):#iterate over each input, X1, X2, etc temp =[] for i in X_.shape[1]:#iterate over the polynomial ndarray object columnwise if poly.powers_[i,j] != 0: temp.append(i) list_of_index.append(temp) list_of_index 将是一个列表列表，其中包含具有 X1、X2 等因素的位置索引。

例子：

对于仅使用 X1 和 X2 的二阶回归，生成的 ndarray 将是 [1 , X1, X2, X1**2, X1*X2, X2**2]

list_of_lists 将是 [[1,3,4],[2,4,5]]

您可以使用它来访问lasso_model.coef_

【讨论】：