对目标变量进行对数转换后如何解释线性回归的结果？
How to interpret results of Linear Regression after log-transforming the target variable?
我在 Python 中构建了李尔回归模型，并且我有目标变量，例如销售额：10、9、8。
我决定记录我的目标变量：df["Sales"] = np.log(df["Sales"])所以在那之后我有值 np 3、2、1。
我的问题是，在知道我的目标是 log 的情况下，如何解释该模型的结果？因为目前我有解释，例如：如果夜间销售平均减少 1.333，这可能是错误的解释，因为如果没有目标日志，我将得到肯定更高的量化结果，例如如果夜间销售平均减少 2589。
那么如何解释目标日志后的线性回归结果？因为在 log target 之后的值真的很低 ?
您的转换称为“对数级”回归。也就是说，您的目标变量进行了对数转换，并且您的自变量保留在正常范围内。
模型应解释如下：
On average, a marginal change in X_i will cause a change of 100 * B_i percent.
请注意，如果您转换了任何自变量，解释也会发生变化。例如，如果您将 X_i 更改为 np.log(df['X_i]), then you would interpret B_i` 作为对数对数转换。
您可以找到一个方便的作弊工具 sheet 来帮助您记住如何解释模型 here。
我在 Python 中构建了李尔回归模型，并且我有目标变量，例如销售额：10、9、8。
我决定记录我的目标变量：df["Sales"] = np.log(df["Sales"])所以在那之后我有值 np 3、2、1。
我的问题是，在知道我的目标是 log 的情况下，如何解释该模型的结果？因为目前我有解释，例如：如果夜间销售平均减少 1.333，这可能是错误的解释，因为如果没有目标日志，我将得到肯定更高的量化结果，例如如果夜间销售平均减少 2589。
那么如何解释目标日志后的线性回归结果？因为在 log target 之后的值真的很低 ?
您的转换称为“对数级”回归。也就是说，您的目标变量进行了对数转换，并且您的自变量保留在正常范围内。
模型应解释如下：
On average, a marginal change in
X_iwill cause a change of100 * B_ipercent.
请注意，如果您转换了任何自变量，解释也会发生变化。例如，如果您将 X_i 更改为 np.log(df['X_i]), then you would interpret B_i` 作为对数对数转换。
您可以找到一个方便的作弊工具 sheet 来帮助您记住如何解释模型 here。