我正在使用pandas如下所示的文件讀取數據：data.head()   ldr1  ldr2  servo0   971   956     -21   691   825   -1052   841   963    -263   970   731     444   755   939    -69我繼續規范化這些數據以執行梯度下降：my_data = (my_data - my_data.mean())/my_data.std()my_data.head()       ldr1      ldr2     servo0  1.419949  1.289668  0.3664821 -0.242834  0.591311 -1.5804202  0.647943  1.326984 -0.0871653  1.414011  0.090200  1.2359724  0.137231  1.199041 -0.899949我執行多元回歸并最終得到標準化數據的擬合參數：Thetas:  [[ 0.31973117  0.45401309 -0.12941108]]我想在原始數據上繪制最適合的平面，而不是使用歸一化 thetas 的歸一化數據。我曾經scipy.optimize.curve_fit執行多元線性回歸并提出最佳擬合參數。我知道原始 thetas 應該接近以下內容：[   0.26654135   -0.15218007 -107.79915373]在不使用 Scikit-Learn 的情況下，如何獲得原始數據集的“原始”thetas 以便進行繪圖？任何建議將不勝感激。根據下面的答案：mldr1     731.891429ldr2     714.080000servo    -21.388571dtype: float64sldr1     168.392347ldr2     187.583221servo     52.904576dtype: float64然后我繼續：original_thetas = np.dot(theta, s) + m產生：original_thetasldr1     862.420572ldr2     844.609144servo    109.140572dtype: float64我不確定我執行的計算是否不正確，或者所提供的方法是否不適用于系數本身。