Sklearn入门笔记

from sklearn import datasets     #  sklearn 的数据库里面有很多数据集

from sklearn.linear_model import LinearRegression   # 线性回归模型

from sklearn import preprocessing    #  normolization(数据标准化)

from sklearn.cross_validation import train_test_split

load_mydata = datasets.load_files("xxxx")

load_data = datasets.load_boston()    # 加载数据集数据

data_X = load_data.data    #  样本属性

data_y = load_data.target  # 样本标签

model = LinearRegression()

model.fit(data_X, data_y)   #  训练

print(model.predict(data_X[:4,:]))   # 预测值

print(data_y[:4])       # 真实值

X, y = datasets.make_regression(n_sample=100, n_feature=1, n_target=1, noise=1)   # 自定义建立回归模型

X_train, X_test, y_train, y_test = train_test_split(data_X, data_y, test_size=0.3) # 将训练集与测试集分开，测试集大小为30%（训练集为70%），目的避免人为误差。

model.fit(X_train, y_train)   #  训练

print(model.predicr(X_test))   # 训练好的模型进行预测

print(y_test)   # 与真实值进行对比

print(model.coef_)   # X的参数（系数）

print(model.intercept_)  # 与y轴交点

print(model.get_params())  # 模型参数

print(model.score(data_X, data_y))  # R^2 coefficent of determination(测定系数)  打分