算法实践1_线性回归

参数解释

sklearn.linear_model.LinearRegression(fit_intercept=True, normalize=False, copy_X=True, n_jobs=None)

超参	解释	类型(默认值)
fit_intercept	是否计算模型的截距；如果设置为 False，计算将不使用截距（即：期望数据已经进行了中心化处理)	boolean(True)
normalize	是否将数据归一化；fit_intercept 设置为 False 时，这个参数可以忽略。如果设置为 True，回归之前将通过减去均值并除l2范数进行归一化。如果需要进行标准化，请在调用估计器 normalize=False的 fit 函数之前使用sklearn.preprocessing.StandardScaler	boolean(False)
n_jobs	确定cpu的核数 (None表示1，-1 表示使用所有)	int or None(None)

属性	解释	类型
coef_	回归系数(斜率)	array
intercept_	截距	array

方法	解释	类型
fit(X, y[, sample_weight])	训练模型	X : array-like or 稀疏矩阵，y : array_like，sample_weight : numpy array
predict(X)	预测	X : array_like or 稀疏矩阵
score(X, y[, sample_weight])	评分指标$$R^2=1-\frac{({\sum }_{i=1}^m(y^{(i)}-{\hat{y}}^{(i)}{)}^2)/m}{({\sum }_{i=1}^m(y^{(i)}-\bar{y}{)}^2)/m}$$	float

调包实践

    import matplotlib.pyplot as plt
    import numpy as np
    from sklearn import datasets, linear_model
    from sklearn.metrics import mean_squared_error, r2_score

    experiences = np.array([0,1,2,3,4,5,6,7,8,9,10])
    salaries = np.array([103100, 104900, 106800, 108700, 110400, 112300, 114200, 116100, 117800, 119700, 121600])

    # 将特征数据集分为训练集和测试集，除了最后5个作为测试用例，其他都用于训练
    X_train = experiences[:7]
    X_train = X_train.reshape(-1,1)
    X_test = experiences[7:]
    X_test = X_test.reshape(-1,1)

    # 把目标数据（特征对应的真实值）也分为训练集和测试集
    y_train = salaries[:7]
    y_test = salaries[7:]

    # 创建线性回归模型
    regr = linear_model.LinearRegression()

    # 用训练集训练模型——看就这么简单，一行搞定训练过程
    regr.fit(X_train, y_train)

    # 用训练得出的模型进行预测
    diabetes_y_pred = regr.predict(X_test)

    # 将测试结果以图标的方式显示出来
    plt.scatter(X_test, y_test,  color='black')
    plt.plot(X_test, diabetes_y_pred, color='blue', linewidth=3)

    plt.xticks(())
    plt.yticks(())

    plt.show()

参考链接

1. sklearn.linear_model.LinearRegression
2. 李烨-机器学习极简入门课
3. https://github.com/Heitao5200/Heitao5200_MachineLearning/blob/master/LR/LinearRegression.md