scikit从coeff_学习预测

Question

我正试图从拟合模型中生成预测（使用scikit learn，一种使用MultiTaskLasso的简单线性回归）。我假设coeff_存储特征的权重。假设有5个标签和200个特征，在2D中应该是5*200。我所做的是：（在python中）预测=np.dot（X_test，coeff_.T）+intercept_。但似乎出了什么问题。当我切换到使用scikit-learn的函数预测（X_test）时，结果是正确的。有人能告诉我我做错了什么吗？

区别只是这一步，当我使用预测时，它是正确的；当我使用我的代码时，它是错误的。

Answer 1

如果predict工作，则sklearn.linear_model.decision_function工作：

def decision_function(self, X):
    """Decision function of the linear model.
    Parameters
    ----------
    X : {array-like, sparse matrix}, shape = (n_samples, n_features)
        Samples.
    Returns
    -------
    C : array, shape = (n_samples,)
        Returns predicted values.
    """
    X = check_array(X, accept_sparse=['csr', 'csc', 'coo'])
    return safe_sparse_dot(X, self.coef_.T,
                           dense_output=True) + self.intercept_

它可以做与您建议的相同的事情，但可以优雅地处理稀疏矩阵。如果你的矩阵都不是稀疏的，那么你应该再次检查X_test。