如何使用单个自变量列表计算线性回归？

Question

我知道线性回归只能用于查找因变量之间的关系，但我刚刚读到它也可以用于查找自变量之间的关系。任何图书馆都可以。

只有一个列表，例如

x = [2, 1, 3, 2, 1, 0, 3]

我可以找到这些变量之间的关系还是我也一定需要一个列表

y

？可以这样做还是我错了？为了预测未来的进球数，

x

内的变量是同一足球俱乐部在之前多场比赛中的进球数。我目前正在使用算术平均值，但我想要更多的东西，这就是我想到线性回归的原因。

我需要一个简单的线性回归，无需训练，无需机器学习，无需加载数据文件。我需要用 print 打印最终结果（我对图表不感兴趣）。

如果我在这种情况下无法计算线性回归，您能推荐我在我的情况下可以使用的类似方法吗？

Answer 1

在标准线性回归中，您通常根据一个或多个自变量 ( x ) 预测因变量 ( y )。如果您只有一个变量列表，则没有可预测的因变量。

但是，如果您有兴趣了解单个列表 ( x ) 中的结构，如果匹配的顺序很重要，您可以考虑使用 ARIMA 等时间序列分析方法，或者如果排序很重要，则可以考虑使用 k-means 等聚类方法没关系。这些可以深入了解数据中的潜在模式。

这是一个使用 ARIMA 根据之前的计数来预测下一场比赛的进球数的简单示例：

from statsmodels.tsa.arima.model import ARIMA

x = [2, 1, 3, 2, 1, 0, 3]
model = ARIMA(x, order=(1,0,0))
model_fit = model.fit()
forecast = model_fit.forecast(steps=1)

print(f"Next match's predicted goal count: {forecast[0]}")

请记住，ARIMA 假设数据是具有某种形式的时间顺序的时间序列。

在您的情况下，除非您尝试预测一个单独的因变量，否则标准线性回归将不适用。