Полиномиальная регрессия хребта: как получить параметры для найденного уравнения ⇐ Python

[Anonymous]

Я использовал Sklearn для регрессии полиномиального хребта. Используя поиск в сетке, я доволен результатами. Теперь я хотел бы сделать его как простое полиномиальное уравнение для запуска в небольшом модуле Python. Функция Sklearn возвращает параметр степени и альфа. Последний просто устанавливает регуляризацию для обучения. Первый рассказывает мне максимальную степень полученного уравнения. Но каковы параметры уравнения, которое он нашел? Я ожидаю, что уравнение будет от формы Ax^3 + bx^2 + cx + d, к чему A, B, C, D?
Поиск предполагает, что я должен использовать Model.coef _ , но я не нахожу это. Dir на моей модели показывает следующее:
['__abstractmethods__',
'__annotations__',
'__class__',
'__delattr__',
'__dict__',
'__dir__',
'__doc__',
'__eq__',
'__format__',
'__ge__',
'__getattribute__',
'__getitem__',
'__getstate__',
'__gt__',
'__hash__',
'__init__',
'__init_subclass__',
'__le__',
'__len__',
'__lt__',
'__module__',
'__ne__',
'__new__',
'__reduce__',
'__reduce_ex__',
'__repr__',
'__setattr__',
'__setstate__',
'__sizeof__',
'__sklearn_clone__',
'__sklearn_is_fitted__',
'__sklearn_tags__',
'__slotnames__',
'__str__',
'__subclasshook__',
'__weakref__',
'_abc_impl',
'_build_request_for_signature',
'_can_fit_transform',
'_can_inverse_transform',
'_can_transform',
'_check_feature_names',
'_check_method_params',
'_check_n_features',
'_doc_link_module',
'_doc_link_template',
'_doc_link_url_param_generator',
'_estimator_type',
'_final_estimator',
'_fit',
'_get_default_requests',
'_get_doc_link',
'_get_metadata_for_step',
'_get_metadata_request',
'_get_param_names',
'_get_params',
'_get_tags',
'_iter',
'_log_message',
'_more_tags',
'_parameter_constraints',
'_replace_estimator',
'_repr_html_',
'_repr_html_inner',
'_repr_mimebundle_',
'_set_params',
'_sk_visual_block_',
'_validate_data',
'_validate_names',
'_validate_params',
'_validate_steps',
'classes_',
'decision_function',
'feature_names_in_',
'fit',
'fit_predict',
'fit_transform',
'get_feature_names_out',
'get_metadata_routing',
'get_params',
'inverse_transform',
'memory',
'n_features_in_',
'named_steps',
'predict',
'predict_log_proba',
'predict_proba',
'score',
'score_samples',
'set_output',
'set_params',
'set_score_request',
'steps',
'transform',
'transform_input',
'verbose']
< /code>
Что мне не хватает?from sklearn.pipeline import Pipeline
from sklearn.preprocessing import StandardScaler, PolynomialFeatures
from sklearn.linear_model import Ridge, Lasso, SGDRegressor
.
.
.
# === 4. Polynomial Ridge ===
poly_pipe = Pipeline([
('scaler', StandardScaler()),
('poly', PolynomialFeatures()),
('ridge', Ridge())
])
poly_params = {
'poly__degree': [2, 3],
'ridge__alpha': [0.01, 0.1, 1]
}
evaluate_model('Polynomial Ridge', poly_pipe, poly_params, is_linear=False)
< /code>
Я попытался использовать следующее на основе полученных комментариев. Коэффициенты не дают результатов, которые соответствуют прогнозу модели .
p = model.steps[2][1].coef_

def regr(x):
return (p[0] + p[1]*x + p[2]*x**2 + p[3]*x**3)


Подробнее здесь: https://stackoverflow.com/questions/796 ... tion-found