from sklearn.linear_model import LinearRegression #线性回归
from sklearn.linear_model import Lasso #拉索回归/套索回归 (L1正则化)
from sklearn.linear_model import Ridge #岭回归 (L2正则化)
from sklearn.linear_model import ElasticNet #弹性网络 讲l1和l2正则进行调和使用,如;l1*0.7,+l2*0.3
import numpy as np
#加载数据
from sklearn.datasets import load_boston
data=load_boston()
x=data.data
y=data.target
print('一般线性回归')
lr=Lasso()
lr.fit(x,y)
print('一般线性回归的评分',lr.score(x,y))
print('一般线性回归的权重',lr.coef_)
print('一般线性回归的截距',lr.intercept_)
print('l1正则回归')
l1=Ridge()
l1.fit(x,y)
print('一般线性回归的评分',l1.score(x,y))
print('一般线性回归的权重',l1.coef_)
print('一般线性回归的截距',l1.intercept_)
print('l2正则回归')
l2=LinearRegression()
l2.fit(x,y)
print('一般线性回归的评分',l2.score(x,y))
print('一般线性回归的权重',l2.coef_)
print('一般线性回归的截距',l2.intercept_)
print('弹性网络')
lt=ElasticNet()
lt.fit(x,y)
print('一般线性回归的评分',lt.score(x,y))
print('一般线性回归的权重',lt.coef_)
print('一般线性回归的截距',lt.intercept_)
注:俺是python初学者,有不对或缺少的部分欢迎各位补充