sklearn-例程--Plotting Cross-Validated Predictions

sklearn-例程–Plotting Cross-Validated Predictions

对于sklearn我也是第一次接触到而已，机器学习的算法也只是大概的听过一些名词。这次写博客学习的目的有如下几个：

1. 学习sklearn的使用方式，各种函数的意义和应用场合。
2. 了解机器学习的具体算法，以及不同的算法用于什么场合。
3. 似乎还有一个模型的概念，我所不清楚的，那么最后一个就是在不断的学习过程中，了解这些还不清楚的东西

现在开始我们的第一个例程的学习。

代码如下

from sklearn import datasets
from sklearn.model_selection import cross_val_predict
from sklearn import linear_model
import matplotlib.pyplot as plt

lr = linear_model.LinearRegression()
boston = datasets.load_boston()
y = boston.target

predicted = cross_val_predict(lr,boston.data,y,cv=10)

fig,ax = plt.subplots()
ax.scatter(y,predicted)
ax.plot([y.min(),y.max()],[y.min(),y.max()],'k--',lw=4)
ax.set_xlabel('measured')
ax.set_ylabel('predicted')
plt.show()

代码梳理

• import :用于导入其他模块代码
• as：别名，有时候模块名太长，可以在导入的时候，使用as指定一个别名
• lr = linear_model.LinearRegression()：线性回归算法。见
• cross_val_predict：

• plt.subplots：

  具体分析

  LinearRegression，线性回归算法。

  假设目标值和参数之间存在线性关系，即