Python中的零膨胀泊松模型

Question

我想使用python3构建一个零膨胀泊松模型，我在statsmodel库中发现了statsmodels.discrete.count_model.ZeroInflatePoisson函数。
但是我不确定如何使用它。看起来我应该这样做：
ZIFP(Y_train,X_train).fit()。
但是当我想使用X_test进行预测时，它告诉我X_test的长度与X_train不匹配。 或者是否有其他包适用于拟合这个模型？ 这是我使用的代码：

X1 = [random.randint(0,1) for i in range(200)]
X2 = [random.randint(1,2) for i in range(200)]
y = np.random.poisson(lam = 2,size = 100).tolist()
for i in range(100):y.append(0)
df['x1'] = x1
df['x2'] = x2
df['y'] = y
df_x = df.iloc[:,:-1]
x_train,x_test,y_train,y_test = train_test_split(df_x,df['y'],test_size = 0.3)
clf = ZeroInflatedPoisson(endog = y_train,exog = x_train).fit()
clf.predict(x_test)

ValueError:operands could not be broadcat together with shapes (140,)(60,)

也尝试过：

clf.predict(x_test,exog = np.ones(len(x_test)))

ValueError: shapes(60,) and (1,) not aligned: 60 (dim 0) != 1 (dim 0)

- Bigkfish

---

展示你尝试过的实际代码。模型名称为ZeroInflatedPoisson，fit和predict的使用方式与statsmodels中的其他模型相同，只是增加了用于零膨胀部分的选项。 - undefined

train_x, test_x, train_y, test_y = train_test_split(data_x, data['y'], test_size=0.3) clf = ZeroInflatedPoisson(endog=train_x, exog=train_y).fit() clf.predict(test_x) ValueError: 无法将形状为(140,)和(60,)的操作数进行广播 - undefined

Answer 1

这看起来像是一个bug。

据我所见：

如果在通胀模型中没有指定解释变量exog_infl，则使用一个由1组成的数组来模拟恒定的通胀概率。然而，如果predict中的exog_infl为None，则使用model.exog_infl作为解释变量，该数组长度等于训练样本的长度。

为了解决问题，在predict中指定正确长度的一维数组即可。

请尝试：

clf.predict(test_x, exog_infl=np.ones(len(test_x))

我猜如果在模型中使用了曝光，但在预测时未明确指定，那么同样的问题也会发生。

- Josef

---

我尝试过了。它显示出"ValueError: shapes (60,) and (1,) not aligned: 60 (dim 0) != (dim 0)"。如果我在训练中对exog_infl数组进行对齐，那么每次进行预测时都需要更改吗？ - undefined

编辑你的问题并添加完整的回溯或至少显示形状不匹配的最后部分。信息丰富的回溯是Python的一个很棒的特性。 - undefined

“ZeroInflated 模型通常需要两个 exog，如果 exog_infl 为 None，则无法正确处理。因此，在 statsmodels 中修复此问题之前，需要一个变通方法和完整的规范。（ZeroInflated 是新功能，因此仍存在可用性错误，直到有足够的反馈来修复这些错误。）” - undefined

我更新了我的代码。我尝试了clf.predict(x_test,exog_infl = len(x_test))。它有效果。但是我不知道这个exog_infl是否有意义。 - undefined

为什么通常的零膨胀模型需要两个外生变量的解释？ - undefined

@Mithril 零膨胀模型是由两个部分构成的模型，一个用于零膨胀，另一个用于计数。零膨胀概率可以是常数，此时 exog_infl 只是全为1，或者它可以依赖于其他解释变量。 - undefined

Answer 2

我遇到了同样的问题，导致我来到了这个帖子。正如Josef所指出的那样，似乎你需要提供一个正确长度的1-D数组给exog_infl才能工作。 然而，Josef提供的代码缺少了1-D数组部分，因此生成所需数组所需的完整行实际上是

Original Answer翻译成："最初的回答"

clf.predict(test_x, exog_infl=np.ones((len(test_x),1))

- Sven vd Beukel