sklearn.linear_model.LinearRegresion学习

sklearn线性模型之线性回归

查看官网 https://scikit-learn.org/stable/modules/generated/sklearn.linear_model.LinearRegression.html

1.实例化：

a=LinearRegression()

参数默认：
fit_intercept=True, normalize=False, copy_X=True, n_jobs=None

fit_intercept：是否存在截距，默认存在

normalize：标准化开关，默认关闭

copy_X

n_jobs

2.方法：

#输入数据，输入x,y数据，其中参sample_weight数是指每条测试数据的权重，以array形式传入

fit(X, y[, sample_weight])    Fit linear model.
#

get_params([deep])    Get parameters for this estimator.

#模型预测
predict(X)    Predict using the linear model

#计算评分
score(X, y[, sample_weight])    Returns the coefficient of determination R^2 of the prediction.

Returns the coefficient of determination R^2 of the prediction.

The coefficient R^2 is defined as (1 - u/v), where u is the residual sum of squares ((y_true - y_pred) ** 2).sum() and v is the total sum of squares ((y_true - y_true.mean()) ** 2).sum(). The best possible score is 1.0 and it can be negative (because the model can be arbitrarily worse). A constant model that always predicts the expected value of y, disregarding the input features, would get a R^2 score of 0.0.

作用：返回该次预测的系数R²    

其中R² =（1-u/v）。

u=((y_true - y_pred) ** 2).sum()     v=((y_true - y_true.mean()) ** 2).sum()

其中可能得到的最好的分数是1，并且可能是负值（因为模型可能会变得更加糟糕）。当一个模型不论输入何种特征值，其总是输出期望的y的时候，此时返回0。

set_params(**params)    Set the parameters of this estimator.

3.回归系数与截距

#回归系数
coef_
#截距
intercept_