statsmodel中预测值和拟合值的区别

Question

我有一个非常基本的问题，我无法以某种方式找到真正的答案。假设我有一个模型：import statsmodels.formula.api as smf model = smf.ols(....).fit()model.fittedvalues和 和有什么不一样model.predict？

Answer 1

model.predict是一种预测值的方法，因此您可以为其提供一个看不见的数据集：

import statsmodels.formula.api as smf

import pandas as pd

import numpy as np

df = pd.DataFrame(np.random.randn(100,2),columns=['X','Y'])

model = smf.ols('Y ~ X',data=df).fit()

model.predict(exog=pd.DataFrame({'X':[1,2,3]}))

如果您不提供 exog 参数，它会通过调用存储在对象下的数据返回预测，您可以在源代码下看到：

def predict(self, params, exog=None):

        """

        Return linear predicted values from a design matrix.

        Parameters

        ----------

        params : array_like

            Parameters of a linear model.

        exog : array_like, optional

            Design / exogenous data. Model exog is used if None.

        Returns

        -------

        array_like

            An array of fitted values.

        Notes

        -----

        If the model has not yet been fit, params is not optional.

        """

        # JP: this does not look correct for GLMAR

        # SS: it needs its own predict method

        if exog is None:

            exog = self.exog

        return np.dot(exog, params)

另一方面，model.fittedvalues是一个属性，它是存储的拟合值。由于上面解释的原因，它将与 model.predict() 完全相同。

您也可以查看此类型的方法。

Answer 2

调用时smf.ols(....).fit()，您将模型与数据相匹配。即对于数据集中的每个数据点，模型会尝试对其进行解释并为其计算一个值。在这一点上，模型只是试图解释你的历史数据，还没有预测任何东西。另请注意，这fittedvalues是模型的属性（或属性）。

model.predict()是模型实际预测未见值的一种方法。