如何使用Pasty进行Python线性回归分析？
- 内容介绍
- 文章标签
- 相关推荐
本文共计218个文字，预计阅读时间需要1分钟。
使用statsmodel中的ols进行线性回归时，Patsy语法会经常用到。例如：
$$y \sim x_0 + x_1 + x_2$$实际上，这段字符并不代表将$x_1$和$x_2$相加。
使用statsmodel中的小写ols进行线性回归的时候会经常用到pasty语法，如下：
而Patsy的公式是有特殊格式的字符串，像下面这样： $$y \sim x_0 + x_1 $$
其实这段字符并不代表将 $x_1$ 和 $x_2$ 相加，而是为模型创建的设计矩阵，表示为 $x_1$ 和$x_2$ 做解释变量，y做被解释变量，进行回归。
为什么说是线性回归的利器，因为我们直接通过易于接受的语法来实现：如以某因子的标准差或者求对数等值作为解释变量传入回归模型当中进行回归。
具体用法可以参照以下两篇博客：
本文共计218个文字，预计阅读时间需要1分钟。
使用statsmodel中的ols进行线性回归时，Patsy语法会经常用到。例如：
$$y \sim x_0 + x_1 + x_2$$实际上，这段字符并不代表将$x_1$和$x_2$相加。
使用statsmodel中的小写ols进行线性回归的时候会经常用到pasty语法，如下：
而Patsy的公式是有特殊格式的字符串，像下面这样： $$y \sim x_0 + x_1 $$
其实这段字符并不代表将 $x_1$ 和 $x_2$ 相加，而是为模型创建的设计矩阵，表示为 $x_1$ 和$x_2$ 做解释变量，y做被解释变量，进行回归。
为什么说是线性回归的利器，因为我们直接通过易于接受的语法来实现：如以某因子的标准差或者求对数等值作为解释变量传入回归模型当中进行回归。
具体用法可以参照以下两篇博客：