python一元线性回归

import statsmodels.api as sm

    x1 = sm.add_constant(tmp_data['smooth_h2'])  # 线性回归增加常数项 y=kx+b
    y1 = tmp_data['occur_time']
    result1 = sm.OLS(y1, x1).fit()
    print("第一：", result1.params)

========================================

第一： const        1603854807417446400.0
      smooth_h2      -1049308423361152.0
      dtype: object



from sklearn import linear_model

    x3 = tmp_data['smooth_h2'].values.reshape(-1, 1)  # 将其转化为列向量
    y3 = tmp_data['occur_time'].values.reshape(-1, 1)
    reg = linear_model.LinearRegression()  # 建立一元线性模型
    model = reg.fit(x3, y3)  # 拟合数据
    diabetes_y_pred = reg.predict(x3)  # 模型预测
    print("输出参数w：", reg.coef_)  # 输出模型参数w
    print("输出参数b：", reg.intercept_)  # 输出参数b

===================================================

输出参数w： [[-1.04930842e+15]]
输出参数b： [1.60385481e+18]

# 由于上面的方法，将时间当成X轴带入报错，故改成这个方法

from sklearn import linear_model



x = tmp_data['occur_time'].values.reshape(-1, 1)  # 将其转化为列向量
            y = tmp_data['smooth_h2'].values.reshape(-1, 1)
            reg = linear_model.LinearRegression()  # 建立一元线性模型
            model = reg.fit(x, y)  # 拟合数据
            diabetes_y_pred = reg.predict(y)  # 模型预测
            print("输出参数w：", reg.coef_[0][0])  # 输出模型参数w
            print("输出参数b：", reg.intercept_[0])  # 输出参数b
            

==========================================================================

输出参数w： -2.2863873343073447e-16
输出参数b： 384.84968315098433