除非您的代码有错误，或者上的系数不显着，否则我倾向于相信模型输出。$X_1$

数据以这种方式表现并不罕见。仅仅因为和的边际分布成反比，正如可以从两个变量的散点图中得出的结论，并不意味着这种关系以其他变量为条件。$X_1$$Y$$(X_1, Y)$

这是一个示例，其中负相关，但正相关取决于另一个值。（该示例是使用 R 生成的——您已经标记了 python，但这个概念与语言无关）：$(X_1, Y)$$X_2$

library(tidyverse)
library(broom)
set.seed(1)
N <- 100
dat <- tibble(
    x2 = sample(1:4, size = N, replace = TRUE),
    x1 = x2 + rnorm(N) / 3,
    y = x1 - 2 * x2 + rnorm(N) / 5
)
ggplot(dat, aes(x1, y)) +
    geom_point(aes(colour = factor(x2))) +
    theme_bw() +
    scale_colour_discrete("x2")

这是线性回归模型的输出。您会注意到，不涉及上的系数为负时为正。这是因为回归系数的解释是给定其他协变量的关系。$X_1$$X_2$$X_2$

lm(y ~ x1, data = dat) %>% 
    tidy()
#> # A tibble: 2 x 5
#>   term        estimate std.error statistic  p.value
#>   <chr>          <dbl>     <dbl>     <dbl>    <dbl>
#> 1 (Intercept)   -0.492    0.154      -3.20 1.83e- 3
#> 2 x1            -0.809    0.0549    -14.7  1.33e-26
lm(y ~ x1 + x2, data = dat) %>% 
    tidy()
#> # A tibble: 3 x 5
#>   term        estimate std.error statistic  p.value
#>   <chr>          <dbl>     <dbl>     <dbl>    <dbl>
#> 1 (Intercept)   0.0189    0.0540     0.349 7.28e- 1
#> 2 x1            1.04      0.0681    15.3   1.42e-27
#> 3 x2           -2.05      0.0726   -28.2   1.60e-48

^{由reprex 包（v0.3.0）于 2020-04-27 创建}

这个概念扩展到两个以上的协变量，以及连续的协变量。

模型只能看到为训练提供的数据。不是领域真理。

1.你的 Y 是否与 X1 成反比
  - 用简单的散点图检查
  - 另外，尝试用相关矩阵查看相关强度（与 Y）

2.如果否，
  - 检查数据源并了解冲突

3.如果是，
可能的原因可能是任何其他变量的影响（在接受的答案中指出），您可以尝试这些

  --前向选择，用X1建立模型并查看coef_，必须是-ve然后添加其他变量一一查看哪个变量执行此操作
 - 检查与其他变量的相关性，X1 可能是一个不太重要的特征。这可能会给你一个新的洞察力来研究你的数据和领域