Prédiction des valeurs à l'aide d'un modèle OLS avec statsmodels

J'ai calculé un modèle à l'aide des moindres carrés ordinaires (régression linéaire multiple). J'ai divisé mes données pour l'apprentissage et le test (la moitié de chaque), et puis je tiens à prédire les valeurs pour le 2ème semestre de les étiquettes.

model = OLS(labels[:half], data[:half])
predictions = model.predict(data[half:])

Le problème est que je reçois et de l'erreur:
Fichier "/usr/local/lib/python2.7/dist-packages/statsmodels-0.5.0-py2.7-linux-i686.egg/statsmodels/regression/linear_model.py"de ligne, 281, dans le prédire
retour np.point(exog, params)
ValueError: matrices ne sont pas alignés

J'ai le tableau suivant les formes:
les données.la forme: (426, 215)
les étiquettes.la forme: (426,)

Si je transpose l'entrée de modèle.prédire, j'obtiens un résultat, mais avec une forme de (426,213), donc je suppose que c'est mal (je m'attends à un vecteur de 213 numéros d'étiquette de prédictions):

model.predict(data[half:].T)

Aucune idée de comment le faire fonctionner?

OriginalL'auteur nickb | 2012-11-04

  1. 14

    Pour statsmodels >=0.4, si je me souviens bien

    model.predict ne pas en savoir plus sur les paramètres, et exige d'eux dans l'appel
    voir http://statsmodels.sourceforge.net/stable/generated/statsmodels.regression.linear_model.OLS.predict.html

    Ce qui devrait fonctionner dans votre cas est de l'ajustement du modèle et ensuite utiliser le prédire la méthode des résultats de l'instance.

    model = OLS(labels[:half], data[:half])
results = model.fit()
predictions = results.predict(data[half:])

    ou plus courte

    results = OLS(labels[:half], data[:half]).fit()
predictions = results.predict(data[half:])

    http://statsmodels.sourceforge.net/stable/generated/statsmodels.regression.linear_model.RegressionResults.predict.html manque de docstring

    Remarque: ce qui a été modifié dans la version de développement (rétro-compatible), qui peuvent profiter de la "formule" de l'information à prévoir
    http://statsmodels.sourceforge.net/devel/generated/statsmodels.regression.linear_model.RegressionResults.predict.html

    Bien que ce soit la bonne réponse à la question GROS AVERTISSEMENT à propos de l'ajustement du modèle et des données de fractionnement. Vous devriez avoir utilisé 80% de données (ou plus) pour la formation, l'ajustement, et de 20% ( le reste ) pour les tests et la prédiction. Le fractionnement de données de 50:50 est comme Schrodingers chat. Nous n'avons aucune confiance à ce que nos données sont tout bons ou tout mauvais. Ainsi, la confiance dans le modèle est quelque part au milieu. Nous voulons avoir une meilleure confiance dans notre modèle ainsi nous devrions train sur plus de données à tester.

    OriginalL'auteur Josef