矢量化线性模型

Question

在 R 中使用 lm() 我可以执行以下操作

fit <- lm(organ_volumes~sex+genotype, data=factors)

其中器官体积是一个矩阵，其中每一列都是不同的变量。每列依次适合线性模型，如 lm 文档中所述：

If response is a matrix a linear model is fitted separately by least-squares to each column of the matrix.

有什么方法可以使用 statsmodels 在 Python 中做类似的事情，而不必遍历每一列，这比 R 方法慢得多？

Answer 1

您可以在 scikit 中尝试以下操作，请注意有时对于相关因变量，输出与 R 不同：

from sklearn.datasets import load_iris
iris = load_iris()
df = pd.DataFrame(data= iris['data'],
                     columns= iris['feature_names'] )

from sklearn import linear_model
clf = linear_model.LinearRegression()
X = df[['sepal length (cm)','sepal width (cm)']]
Y = df[['petal length (cm)','petal width (cm)']]
clf.fit(X,Y)
clf.coef_

array([[ 1.77559255, -1.33862329],
       [ 0.723292  , -0.47872132]])

在 R 中：

data = as.matrix(iris[,-5])
lm(data[,c(1,3)] ~ data[,c(2,4)])

Call:
lm(formula = data[, c(1, 3)] ~ data[, c(2, 4)])

Coefficients:
                            Sepal.Length  Petal.Length
(Intercept)                  3.4573        2.2582     
data[, c(2, 4)]Sepal.Width   0.3991       -0.3550     
data[, c(2, 4)]Petal.Width   0.9721        2.1556

矢量化线性模型

Vectorized liner model

python

r

linear-regression

statsmodels