【Python】有序回归相关包

最新推荐文章于 2023-05-06 20:30:45 发布
VIP文章 最新推荐文章于 2023-05-06 20:30:45 发布
阅读量1.4k 收藏 2
点赞数 1
分类专栏： 编程
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_34105362/article/details/115160221
版权

1、mord包

官网：https://pythonhosted.org/mord/

模型方法：mord.LogisticIT、mord.LogisticAT、mord.OrdinalRidge、mord.LAD、mord.MulticlassLogistic

 

2、statsmodels v0.13.0.dev0 

官网：https://www.statsmodels.org/devel/generated/statsmodels.miscmodels.ordinal_model.OrderedModel.html#statsmodels.miscmodels.ordinal_model.OrderedModel

模型方法：statsmodels.miscmodels.ordinal_model

安装方法（当前pip只能装到v0.12.2）：使用github手动装包

（1）可能受网速影响

pip install git+https://github.com/statsmodels/statsmodels

（2）先手动下载statsmodels项目main分支的代码，然后在该本地文件目录下，使用下面命令进行安装


                

        

        

    




        

            

                    
                      最低0.47元/天 解锁文章
                        
                    
            

        

    

      

        

            

              
                
                  喜东东cc
                
              
            

            

                关注
              
            

        

        

          
    
            
  • 
              
                
                
                
                
                    1
                
              
              
    点赞
    
            
    • 
            
  • 
              
                
                
                
              
              
    踩
    
            
    • 
            
  • 
              
                
                
                
                
                    2
                
              
              
    
                
    
                  
                    收藏
                  
                
    
              
    
              
    
                
    
                  觉得还不错?
                  
                    一键收藏
                  
                 
                
    
              
    
            
    • 
          
  • 
            
    
              
              
            
    
              
              
              
                    0
              
            
            
    评论
    
          
    • 
          
  • 
          
    • 
          
  • 
            
              
            
              
    
            
              
                
            
    
          
    • 
        

      

      

            

                专栏目录
          










                



	

		

			

				
					
《应用商务统计分析》第五章 定序回归

				
			

			

				

					喜东东的博客
				

				

					04-29
					
					1788
					
				

			

		

		

			
				
一、目的

1、对手机的某些功能在不同的功能组合中所起的作用的分析；

2、找出哪些因素在影响消费者对手机的偏好程度，以及其影响程度。

二、数据来源和相关说明

1、数据来源

对不同款手机的偏好程度调查（来自北京大学光华管理学院的MBA学生和高级经理培训班的学员）。


df_raw =  pd.read_csv(open(os.path.join(filePath, fileName)))

2、数据信息

1451条样本，8个变量。


print(df_raw.shape)

3、变量信息

（1

			
		

	



                

              
                



	

		

			

				
					
python进行orderprobit回归时遇到Pandas data cast to numpy dtype of object.问题该怎么解决

				
			

			

				

					m0_71330250的博客
				

				

					12-02
					
					1630
					
				

			

		

		

			
				
python进行orderprobit回归时遇到Pandas data cast to numpy dtype of object.问题该怎么解决

			
		

	



                


  
              

                


	

		

			

				
					
【金融系列】【statsmodels】如何用Python做实证研究？介绍一个功能和STATA很像的Python包，最小二乘，虚拟变量

				
			

			

				

					standingflower的博客
				

				

					05-05
					
					4698
					
				

			

		

		

			
				
博主本科接触的研究主要是公司金融方向的研究，在公司金融的实证研究中，我们的终极目标是建立变量间的因果关系。我们需要识别因果关系，来检验理论、评价政策效果、或作出预测。目前该领域的研究大部分是使用了STATA和R这两种工具来开展研究的，其实作为开放性极强、实现更为快速的Python也可用于这方面的研究，并且我自认为使用Python还具有以下有点（或许还有更多）：1、数据预处理更方便；2、模型建立逻辑更清晰；3、代码可重用性更强；4、可以更方便使用面向对象思想对研究模型进行封装；6、结合matplotlib等.

			
		

	





	

		

			

				
					
Python-Python中分类和回归的有序加权L1正则化

				
			

			

				

					08-10
				

			

		

		

			
				
Python中分类和回归的有序加权L1正则化

			
		

	



		

			
		



	

		

			

				
					
机器学习-Sklearn-13（回归类大家族-下——非线性问题：多项式回归(多项式变换后形成新特征矩阵)）

				
			

			

				

					m0_37755995的博客
				

				

					04-20
					
					4398
					
				

			

		

		

			
				
机器学习-Sklearn-13（回归类大家族-下——非线性问题：多项式回归(多项式变换后形成新特征矩阵)）

			
		

	





	

		

			

				
					
基于Python的特征工程：数据预处理（一）

				
			

			

				

					笑不语的博客
				

				

					05-06
					
					801
					
				

			

		

		

			
				
特征工程是机器学习工作流程中不可或缺的一环，它将原始数据转化为模型可理解的形式。数据和特征的质量决定了机器学习的上限，而模型和算法则是逼近这个上限的手段。因此，特征工程的重要性不言而喻。其主要工作涉及特征的采集、预处理、选择以及降维等处理。特征工程是数据分析中最耗费时间和精力的阶段。

			
		

	





	

		

			

				
					
线性回归学习笔记

				
			

			

				

					weixin_45812669的博客
				

				

					02-03
					
					388
					
				

			

		

		

			
				
线性回归
一元线性回归模型
函数形式：
f(x)=ωxi+b(1.1)
f(x)=\omega{x_i+b}\tag{1.1}
f(x)=ωxi​+b(1.1)
求解www和bbb：

method 1 最小二乘法公式法

ω=∑i=1nyi(xi−x‾)∑i=1nxi2−1n(∑i=1n)2(1.2)
\omega=\frac{\sum\limits_{i=1}^ny_i(x_i-\overline{x})}{\sum\limits^n_{i=1}x_i^2-\frac{1}{n}(\sum^n_{i=1

			
		

	





	

		

			

				
					
有序逻辑回归 python_模型|利用Python语言做逻辑回归算法

				
			

			

				

					weixin_35318150的博客
				

				

					01-31
					
					2585
					
				

			

		

		

			
				
编者按：逻辑回归算法是一种基本的重要的机器学习算法。它有着简单有效的特点，并在信用评分，营销响应等领域广泛应用。我创建了Python语言微信群，定位：Python语言学习与实践。需要入群的，请添加我的微信：luqin360,备注：Python语言入群。逻辑回归算法是一种用于二分类的机器学习算法。线性回归我们用这个式子：问题是这些预测对于分类来说是不合理的，因为真实的概率必然在0到1之间。...

			
		

	





	

		

			

				
					
python 多分类有序logit模型_有序多分类Logistic回归，我见过的最详细SPSS教程！

				
			

			

				

					weixin_39673972的博客
				

				

					02-09
					
					4872
					
				

			

		

		

			
				
有序多分类Logistic回归，我见过的最详细SPSS教程！2018-09-13一、问题与数据研究者想调查人们对“本国税收过高”的赞同程度：Strongly Disagree——非常不同意，用“0”表示；Disagree——不同意，用“1”表示；Agree--同意，用“2”表示；Strongly Agree--非常同意，用“3”表示。另外，研究者也调查了一些其它情况，包括：是否是“雇主”(biz_...

			
		

	





	

		

			

				
					
Python3合并两个有序数组代码实例

				
			

			

				

					01-21
				

			

		

		

			
				
第一种思路，把两个数组合为一个数组然后再排序，问题又回归到冒泡和快排了，没有用到两个数组的有序性。（不好） 第二种思路，循环比较两个有序数组头位元素的大小，并把头元素放到新数组中，从老数组中删掉，直到...

			
		

	





	

		

			

				
					
使用 Cython 优化在 Python 中实现的 ReBATE 基于浮雕的算法_python_代码_下载

				
			

			

				

					06-22
				

			

		

		

			
				
该软件包包括独立的 Python 代码，用于运行任何包含/可用的基于浮雕的算法 (RBA) ，这些算法 设计用于作为机器学习管道（监督学习）的一部分的特征加权/选择。目前，这包括以下核心 RBA：ReliefF、SURF、SURF*、...

			
		

	





	

		

			

				
					
Anytime-Auto-Regressive-Model:ICLR 2021论文代码，“通过有序自动编码对自回归模型进行随时采样”

				
			

			

				

					05-22
				

			

		

		

			
				
随时自回归模型通过有序自动编码随时对自回归模型进行采样，ICLR 21徐奕伦，杨松，萨哈吉·加拉，龚林源，芮树，阿迪亚·格罗弗，斯特凡诺·埃尔蒙（Stefano Ermon） 一个新的自回归模型系列，可以随时采样！...

			
		

	





	

		

			

				
					
TF-OrdinalRegression:序数回归的Tensorflow实现

				
			

			

				

					05-14
				

			

		

		

			
				
序数阈值截至目前，我还没有在Tensorflow中找到一种方法来强加有序阈值，因为通过反向传播将其作为模型的参数进行调整时，这些阈值仍然保持不变。 在此期间，我仅将阈值初始化为从特定范围内的均匀分布得出的排序的...

			
		

	





	

		

			

				
					
An example: Ordinal Probit Model

				
			

			

				

					weixin_39174856的博客
				

				

					01-14
					
					500
					
				

			

		

		

			
				
We describe an ordinal Probit model for post-secondary education choice and estiamted a simple model with the dependant variable of interest is PSECHOICE and the explanatory variable is GRADES(Lower n...

			
		

	





	

		

			

				
					
python 线性回归 统计检验 p值_医学统计与R语言：样本方差的抽样分布

				
			

			

				

					weixin_39875760的博客
				

				

					11-09
					
					861
					
				

			

		

		

			
				
微信公众号：医学统计与R语言如果你觉得对你有帮助，欢迎转发输入1： rdata=matrix(rnorm(1000*6,0,3),6)rvar=apply(rdata,2,var)mean(rvar)结果1： [1]8输入2： var(rvar)结果2： [1]32=2*81/5输入3： library(ggplot2)p1<-ggplot(data...

			
		

	





	

		

			

				
					
python逻辑回归aic_基于R和Python 如何使用多项式和有序逻辑回归

				
			

			

				

					weixin_39737947的博客
				

				

					12-09
					
					452
					
				

			

		

		

			
				
原标题：基于R和Python 如何使用多项式和有序逻辑回归基于R和Python 如何使用多项式和有序逻辑回归 我们中的大多数对于回归的知识是有限的。其中，线性和逻辑回归是我们最喜欢的一种。作为一个有趣的事实，回归具有扩展的能力来处理不同类型的变量。你是否知道，回归规定处理多层次的变量吗？我肯定，你没有，我也没有。直到我被推到探索这方面的回归。对于多层次的变量，很多机器学习算法可以替你做工作。例如，...

			
		

	





	

		

			

				
					
python数据分析-回归分析

				
			

			

				

					csdn1561168266的博客
				

				

					02-14
					
					4647
					
				

			

		

		

			
				
xp），取0的概率为1−p，取1和取0的概率之比为p/(1-p)，称为事件的优势比（Odds）。，xp从整体上对随机变量y是否有明显的影响，为此提出原假设和备择假设，H0:βi都为0，如果H0被接受，则表明随机变量y与自变量x1，x2，…我们经常会遇到因变量只有两种取值的情况，如是否患病、是否下雨等，这时一般的线性回归分析就无法准确地刻画变量之间的因果关系，需要用其他的回归分析方法来进行拟合模型。从输出结果可以看出，X4的p值=0.285大于0.05，是不显著的，所以我们修正一下模型，去掉自变量PK。

			
		

	





	

		

			

				
					
Python：序分类方法比较

				
			

			

				

					DeniuHe的博客
				

				

					11-27
					
					363
					
				

			

		

		

			
				
import time
import xlwt
import matlab
import matlab.engine
import numpy as np
import pandas as pd
from pathlib import Path
from copy import deepcopy
from collections import OrderedDict
from sklearn.linear_model import LogisticRegression
from sklearn.model.

			
		

	





	

		

			

				
					
【python】等频分箱qcut

					
热门推荐

				
			

			

				

					喜东东的博客
				

				

					09-11
					
					1万+
					
				

			

		

		

			
				
在python 较新的版本中，pandas.qcut()这个函数中是有duplicates这个参数的，它能解决在等频分箱中遇到的重复值过多引起报错的问题；

在比较旧版本的python中，提供一下解决办法：


import pandas as pd

def pct_rank_qcut(series, n):
    '''
    series：要分箱的列
    n：箱子数
    '''
...

			
		

	





	

		

			

				
					
python有序回归

					
最新发布

				
			

			

				

					10-06
				

			

		

		

			
				
Python中有序回归的实现可以使用有序Logistic回归模型，也称为有序分类模型或有序多项模型。有序回归可以用来预测具有多个有序水平的因变量与一个或多个自变量之间的关系。在Python中，可以使用一些常用的机器学习库，如scikit-learn来实现有序回归模型。

一种常用的有序回归模型是通过使用有序Logistic回归模型来建模。这个模型假设因变量的概率是通过一个函数来预测的，这个函数将自变量的线性组合作为输入，并将其转换为一个有序水平的输出。在scikit-learn中，可以使用`OrdinalClassifier`类来实现有序Logistic回归模型。

下面是一个简单的示例代码，展示了如何在Python中实现有序回归模型：

```
from sklearn.datasets import make_classification
from sklearn.linear_model import LogisticRegression
from sklearn.preprocessing import OrdinalEncoder

# 创建一个模拟的有序分类数据集
X, y = make_classification(n_samples=100, n_features=2, n_informative=2, n_redundant=0,
                           n_classes=3, n_clusters_per_class=1, random_state=42)

# 将因变量编码为有序水平
encoder = OrdinalEncoder()
y_encoded = encoder.fit_transform(y.reshape(-1, 1)).flatten()

# 训练有序Logistic回归模型
model = LogisticRegression(solver='lbfgs', multi_class='auto')
model.fit(X, y_encoded)

# 使用模型进行预测
new_data = [[0.5, 0.5]]
predicted_level = model.predict(new_data)
predicted_class = encoder.inverse_transform(predicted_level.reshape(-1, 1)).flatten()

print("Predicted Level:", predicted_level)
print("Predicted Class:", predicted_class)
```



			
		

	



              



  
“相关推荐”对你有帮助么？

  

      
    
          
  • 
              
    
                  
                  
              
    
              
    非常没帮助
    
          
    • 
          
  • 
              
    
                  
                  
              
    
              
    没帮助
    
          
    • 
          
  • 
              
    
                  
                  
              
    
              
    一般
    
          
    • 
          
  • 
              
    
                  
                  
              
    
              
    有帮助
    
          
    • 
          
  • 
              
    
                  
                  
              
    
              
    非常有帮助
    
          
    • 
      

      

      

          
          提交
      

      

  




          




        



    





    



      

      

        
      

      





	

		评论	
	

	
	




  

    

      添加红包
      
    

    

      

        
        

          
          
        

        
请填写红包祝福语或标题

      

      

        
        

          
          个
        

        
红包个数最小为10个

      

      

        
        

          
          元
        

        
红包金额最低5元

      

      

        
        

          当前余额3.43元
          前往充值 >
        

      

      

        

          需支付：10.00元
        

        
        
      

    

  





  

    
    
  

  

    
    
  








  

    

      

        

          

            
            
成就一亿技术人!

          

          

        

        

          

          

            领取后你会自动成为博主和红包主的粉丝
            规则
          

        

      

      

        

          

            
              
            
            

              
hope_wisdom
 发出的红包
            

          

        

        

          

          

          

        

      

    

    

  



      
      

      
实付元

      
使用余额支付

      

        

          

            
            点击重新获取
          

        

        
扫码支付

      

      

        
          
            
          
          
        
      

      

        
        钱包余额
          0
          

            
            

              

                
抵扣说明：

                
 1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
 2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

              

            

          

      

      余额充值