Прогнозирование линейной регрессии не соответствует данным обучения

Question

Я новичок в обучении машинам. Я пытаюсь сделать простой прогноз с использованием линейной регрессии с «составленными» данными, которые следуют определенной схеме. По какой-то причине предсказание не соответствует данным обучения. Можете ли вы сообщить мне, что мне нужно исправить? Код образца ниже

from sklearn import linear_model 
import numpy as np 

X = np.random.randint(3, size=(3, 1000)) 
Y = np.random.randint(10, size=(1, 1000)) 
# f1, f2, f3 - min = 0, max = 2 
# f1 = 0 and f2 = 1 then 7 <= Y < 10, irrespective of f3 
# f1 = 1 and f2 = 2 Y is 0, irrespective of f3 
# f1 = 0 and f2 = 2 if f3 = 2 then 3 <= Y < 7 else Y = 0 
for i in range(1000): 
    if ((X[0][i] == 0 and X[1][i] == 1) or (X[0][i] == 1 and X[1][i] == 0)): 
     Y[0][i] = np.random.randint(7, 10) 
    elif ((X[0][i] == 1 and X[1][i] == 2) or (X[0][i] == 2 and X[1][i] == 1)): 
     Y[0][i] = 0 
    elif ((X[0][i] == 0 and X[1][i] == 2 and X[2][i] == 2) or 
     (X[0][i] == 2 and X[1][i] == 0 and X[2][i] == 2)): 
     Y[0][i] = np.random.randint(3, 7) 
    else: 
     Y[0][i] = 0 

X1 = X.transpose() 
Y1 = Y.reshape(-1, 1) 
print zip(X1, Y1) 

# create and fit the model 
clf = linear_model.LinearRegression() 
clf.fit(X1, Y1) 

Z = np.array([[0, 0, 0, 0, 1, 1], 
       [1, 1, 2, 2, 2, 2], 
       [1, 2, 1, 2, 1, 2]]) 
Z1 = Z.transpose() 
print Z1 

y_predict = clf.predict(Z1) 
print y_predict 

Answer 1

И почему это соответствует данным тренинга? Ваше отношение X-> Y явно нелинейно и только для идеальной линейной зависимости, что означает, что Y = AX + b, вы можете ожидать, что линейная регрессия идеально подходит к данным обучения. В противном случае вы можете произвольно отходить от решения - см., Например, квартет Anscombe (изображение ниже от wiki).