我目前正在使用statsmodels（虽然我也很乐意使用Scikit）来创建一个线性回归模型。在这个特定的模型中，我发现当我向模型中添加多个因素时，OLS算法会产生非常离谱的系数。这些系数既非常高又非常低，似乎通过平均化来优化算法。这导致所有因素在统计上都不显著。我只是想知道是否有办法可以为系数设定一个上限或下限，使OLS必须在这些新边界内进行优化？

回答：

我不知道是否可以对OLS设置一个条件，使得系数的绝对值都小于一个常数。

然而，正则化是解决这种问题的一个好方法。基本上，L1或L2正则化会在优化函数中惩罚系数的总和，这会将最不显著变量的系数推向零，从而不会增加成本函数的值。

你可以查看lasso、ridge和elastic net回归。它们分别使用L1、L2和这两种形式的正则化。

你可以在statsmodels中尝试以下操作：

# Import OLSfrom statsmodels.regression.linear_model import OLS# Initialize modelreg = OLS(endog=y, exog=X)# Fit modelreg = reg.fit_regularized()