Skleran-线性模型-普通最小二乘法-LinearRegression
- 普通最小二乘法
- sklearn.linear_model.LinearRegression
普通最小二乘法
sklearn.linear_model.LinearRegression
class sklearn.linear_model.LinearRegression(fit_intercept=True, normalize=False,
copy_X=True, n_jobs=None)
参数:fit_intercept:bool, optional, default True是否计算此模型的截距。 如果将其设置为False,则在计算中将不使用截距(数据应居中)。normalize:bool, optional, default False当fit_intercept设置为False时,忽略此参数。如果为真,则回归前,通过减去平均值并除以l2范数,对回归数X进行归一化。如果希望标准化,在normalize=False的估计器上调用fit之前使用sklearn.preprocessing.StandardScaler。copy_X:bool, optional, default True如果为True,将复制X;否则,可能会覆盖它。n_jobs:int or None, optional (default=None)用于计算的作业数。
属性:
coef_array of shape (n_features, ) or (n_targets, n_features)线性回归问题的估计系数。rank_int矩阵X的秩。仅当X是稠密的时可用。
方法:
fit(self, X, y, sample_weight=None) 拟合线性模型
参数:X{array-like, sparse matrix} of shape (n_samples, n_features)训练数据yarray-like of shape (n_samples,) or (n_samples, n_targets)目标值sample_weightarray-like of shape (n_samples,), default=None每个样本的个别权重返回:selfreturns an instance of self.
get_params(self, deep=True) 获取此估计器的参数。参数:deepbool, default=True如果为True,则将返回此估计器的参数和包含的子对象,这些子对象是估计量。返回:paramsmapping of string to any映射到其值的参数名。
predict(self, X) 用线性模型进行预测。参数:X:array_like or sparse matrix, shape (n_samples, n_features)样本返回:C:array, shape (n_samples,)预测值
score(self, X, y, sample_weight=None)返回预测的决定系数R^2。系数R^2定义为(1-u/v),其中u是残差平方和((y_true-y_pred)**2).sum(),v是平方和的总和((y_true-y_true.mean())**2).sum()。最好的分数是1.0,它可以是负的(因为模型可以任意恶化)。一个常数模型总是预测y的期望值,而不考虑输入特性,则得到R^2分数为0.0。参数:X:array-like of shape (n_samples, n_features)测试样本。y:array-like of shape (n_samples,) or (n_samples, n_outputs)X的真值。sample_weight:array-like of shape (n_samples,), default=None样本权重。返回:scorefloat得分
set_params(self, **params)设置此估计器的参数。参数:**params:dict估计参数返回:Self:object估计实例
#!/usr/bin/env python
# -*- coding: utf-8 -*-
# @Time : 2020/6/16 22:46
# @Author : LaoChen"""
线性回归实例
----------------------------------
此示例仅使用diabetes数据集,为了说明这种回归技术的二维图形.
在图中可以看到直线,显示线性回归如何试图绘制一条直线,
使数据集中观察到的响应与线性近似预测的响应之间的残差平方和最小化。计算了系数、残差平方和、确定系数。
"""import matplotlib.pyplot as plt
import numpy as np
from sklearn import datasets, linear_model
from sklearn.metrics import mean_squared_error, r2_score# Load the diabetes dataset
diabetes_X, diabetes_y = datasets.load_diabetes(return_X_y=True)# Use only one feature
diabetes_X = diabetes_X[:, np.newaxis, 2]# Split the data into training/testing sets
diabetes_X_train = diabetes_X[:-20]
diabetes_X_test = diabetes_X[-20:]# Split the targets into training/testing sets
diabetes_y_train = diabetes_y[:-20]
diabetes_y_test = diabetes_y[-20:]# 创建线性回归对象
regr = linear_model.LinearRegression()# 使用训练集训练模型
regr.fit(diabetes_X_train, diabetes_y_train)# 使用测试集进行预测
diabetes_y_pred = regr.predict(diabetes_X_test)# 系数
print('Coefficients: \n', regr.coef_)
# 均方误差
print('Mean squared error: %.2f'% mean_squared_error(diabetes_y_test, diabetes_y_pred))
# 确定系数:1为完美预测
print('Coefficient of determination: %.2f'% r2_score(diabetes_y_test, diabetes_y_pred))plt.scatter(diabetes_X_test, diabetes_y_test, color='black')
plt.plot(diabetes_X_test, diabetes_y_pred, color='blue', linewidth=3)plt.xticks(())
plt.yticks(())plt.show()
Skleran-线性模型-普通最小二乘法-LinearRegression相关推荐
- scikit-learn广义线性模型之最小二乘法
本系列教程是scikit-learn学习的第一篇,我会根据scikit-learn官网教程和自己的学习,写关于scikit-learn的学习一系列教程.首先,我会介绍模型的一些基本知识,不会去深层次的 ...
- 【机器学习】1. 线性模型 - 普通最小二乘法
文章目录 1. 用于回归的线性模型 2. 线性回归(普通最小二乘法) 线性模型利用输入特征的 线性函数(linear function)进行预测 1. 用于回归的线性模型 对于回归问题,线性模型预测的 ...
- 机器学习-02 基于sklearn 广义线性模型-普通最小二乘法
机器学习 基于sklearn-02 从sklearn说起 线性回归 普通最小二乘法 案例分析 重要代码解释 线性回归 回归分析的主要工作,是根据统计获得的数据点来训练出一个函数表达式,根据这个函数表达 ...
- 《机器学习——数学公式推导合集》1. 线性模型之最小二乘法(least square method)求解线性模型
1.1 什么是最小二乘法(least square method) 最小二乘法: 基于均方误差最小化来进行模型求解的方法称为 "最小二乘法(least square method)" ...
- 线性模型的最小二乘法拟合(转)
我们知道在二维坐标中,已知两点就可以确定一个线性方程,如果有n个数据点(x1,y1),(x2,y2),...(xn,yn),那么就会有n个线性方程,我们使用最小二乘法从这n个方程中拟合出一个最佳的线性 ...
- 01_sklearn--监督学习——广义线性模型,普通最小二乘法
1.1.广义线性模型 本章节主要讲述一些用于回归的方法,其中目标值y是输入变量x的线性组合.数学概念表示为:如果是预测值,那么有: (w,x)= + +...+ 在整个模块中,我们定义向量作为coef ...
- scikit-learn学习笔记(三)Generalized Linear Models ( 广义线性模型 )
Generalized Linear Models ( 广义线性模型 ) 以下是一组用于回归的方法,其中目标值预期是输入变量的线性组合.在数学概念中,如果 是预测值. 在整个模块中,我们指定向量 ...
- 【Scikit-Learn 中文文档】广义线性模型 - 监督学习 - 用户指南 | ApacheCN
中文文档: http://sklearn.apachecn.org/cn/0.19.0/tutorial/basic/tutorial.html 英文文档: http://sklearn.apache ...
- sklearn自学指南(part8)--普通最小二乘法
学习笔记,仅供参考,有错必纠 文章目录 线性模型 普通最小二乘法 非负最小二乘法 普通最小二乘复杂度 线性模型 以下是一组用于回归的方法,其中目标值预期为特征的线性组合.在数学表示法中,如果 y ^ ...
最新文章
- Android SpannableString 给TextView 设置颜色,删除线等
- 工业机器人应用行业大盘点
- 浏览器中的“Linux”
- redis set数据类型常用命令及应用场景
- 是栈还是队列c语言实验报告怎么写,队列和栈(C语言)
- Linux RHCS中心跳网络接口的指定
- js返回上一页并刷新
- 用Python+Django在Eclipse环境下开发web网站【转】
- WPF 实现人脸检测
- 【图论】清理牛棚/Cleaning Shifts S(luogu 4644)
- can connect mysql not server_MySQL -- 配置文件my.cnf 的详细说明
- 算到怀疑人生!如何用并查集解决朋友圈个数问题?
- 【炼数成金 RapidMiner 三 】关联分析、关联规则
- 【Windows】手机远程控制电脑
- 使用cachecloud(redis云平台)搭建和监控redis
- 飞鱼星路由器如何限制外网访问服务器网站,飞鱼星路由器指定ip/mac禁止上网设置教程...
- Qt编写输入法V2019终极版
- AI 隐身术,让你在视频中消失的“黑魔法”,想拥有吗?
- 联手新加坡南洋理工大学,阿里加速推进人工智能战略
- Google Earth Engine(GEE)——清华全球不透水层数据中国区域逐年下载