这么可爱的你，就关注我一下吧~
我们先根据以下代码简单的做一个OLS回归：
import numpy as np from pandas import DataFrame as df import statsmodels.api as sm x = df(np.linspace(0,100,100),columns=['x1']) x['x2'] = np.linspace(10,1,100) x = sm.add_constant(x) e = np.random.normal(size=100) y = np.dot(x, [1,2,3]) + e ols_model = sm.OLS(y,x).fit() ols_model.summary() 1）R-squared：
根据R-squared可以看出我们的模型拟合程度；
2）F-statistic、Prob (F-statistic)：
用于判定是否x中至少有一个对y产生影响,如果呈现出显著性,则说明所有x中至少一个会对y产生影响关系;
3）自变量的显著性P值：
分析每个自变量x的P值是否小于0.05，P<0.05说明自变量x对y有显著性影响，如果P>0.05，则说明自变量x对y影响不显著性，应剔除；
4）回归系数：
分析回归系数中是否含有负数，或与业务理解方向相反的变量。
版权声明：本文内容由互联网用户自发贡献，该文观点仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容， 请联系我们举报，一经查实，本站将立刻删除。
发布者：全栈程序员-站长，转载请注明出处：https://javaforall.net/229660.html原文链接：https://javaforall.net
