线性回归系数与图不匹配

Question

我的代码有一个小问题，我看不到它。

我正在尝试使用一些数据进行线性回归。到目前为止，我正在使用np.polyfit（）和sklearn linearregression（）。两种回归都有效，但是当我进行绘图时，我可以看到拦截系数与剧情所显示的内容不符，老实说我不为什么。

因此，这是我的代码：

# Using np.polyfit()
x_to_plot = np.array([3.1685206 , 2.25510996, 2.96102541, 2.88536998, 3.19026643,
                      3.35665069, 3.62661427, 3.19285197, 2.57931189, 3.14756505,
                      3.99712702, 4.08227484, 3.14058442, 4.4395179 , 3.8499418 ,
                      3.812325  , 3.9126594 , 3.85465249, 4.57109736, 4.25932984,
                      4.07329771, 3.48126781, 3.39053495, 4.00443561, 3.38871004,
                      3.88689312, 4.39439235, 3.73192345, 3.07600559, 4.02592055,
                      3.66448407, 3.62788865, 3.12075542, 3.67316965, 3.59271334,
                      4.22789875, 3.7891345 , 4.36675152, 3.45593254, 2.6429717 ,
                      3.25813122])

y_to_plot = np.array([2.2       , 2.27      , 2.4       , 2.36      , 2.44      ,
                      2.67      , 3.11      , 3.11      , 2.19      , 2.77      ,
                      3.3       , 3.14      , 2.63      , 2.59549622, 3.05728564,
                      2.73239376, 3.12319808, 2.72835378, 3.4476231 , 3.1693805 ,
                      3.16375752, 2.84571802, 2.89486966, 2.96801571, 2.90254678,
                      3.03100428, 3.14612804, 2.97726621, 2.8785218 , 3.20628604,
                      2.50650503, 2.53275438, 2.59106461, 3.00043408, 2.76715587,
                      3.01283722, 2.36172784, 3.31868927, 2.65896484, 2.0211893 ,
                      2.93399316])
fit = np.polyfit(x_to_plot, y_to_plot, 1)
scolpe = fit[0]
intercept = fit[1]
fit_eq = scolpe* x_to_plot + intercept

# plot
plt.figure(1)
plt.xlabel("X")
plt.ylabel("Y")
plt.plot(x_to_plot, y_to_plot, marker="o")
plt.plot(x_to_plot, fit_eq, "--k")
plt.show()

然后，如果我打印截距值，它说截距= 1.102355 ... 但是您可以在图中看到拦截值必须为$ \ $ \ $ 2.2。 我还使用了plt.ylim（），但它不起作用。 我不知道这个细节是否重要（我不这么认为，但这是它）：x_to_plot和y_to_plot就像比例数组一样）？我的意思是，以前我有XY轴的数据，然后我应用了np.log10（），然后我获得了x_to_plot和y_to_plot。 我不会为Sklearn回归添加代码，因为我觉得这是同一件事。

Answer 1

您的Y轴需要在X = 0处才能使截距匹配您的模型输出。

即线性模型的截距是当所有预测变量等于0时的输出。图形并不总是（通常）默认图是有意义的数据（如在这种情况下）。

如果迫使X轴包括0，并且将Y轴定位在x = 0处，则Y截距确实与模型输出匹配。