【sklearn库提供的线性回归算法】

对比可以看看这个链接：https://blog.csdn.net/ivy_reny/article/details/78769790

转自：https://www.cnblogs.com/pinard/p/6026343.html

scikit-learn对于线性回归提供了比较多的类库，这些类库都可以用来做线性回归分析，本文就对这些类库的使用做一个总结，重点讲述这些线性回归算法库的不同和各自的使用场景。

线性回归的目的是要得到输出向量YY和输入特征XX之间的线性关系，求出线性回归系数θθ,也就是 Y=XθY=Xθ。其中YY的维度为mx1，XX的维度为mxn，而θθ的维度为nx1。m代表样本个数，n代表样本特征的维度。

为了得到线性回归系数θθ，我们需要定义一个损失函数，一个极小化损失函数的优化方法，以及一个验证算法的方法。损失函数的不同，损失函数的优化方法的不同，验证方法的不同，就形成了不同的线性回归算法。scikit-learn中的线性回归算法库可以从这这三点找出各自的不同点。理解了这些不同点，对不同的算法使用场景也就好理解了

1. LinearRegression

一般的线性回归算法

2、Ridge

3、RidgeCV

4、Lasso

5、LassoCV

6、LassoLars

6、LassoLarsCV

7、LassoLarsIC

6、ElasticNet

7、ElasticNetCV

8、BayesianRidge

9、ARDRegression

10、OrthogonalMatchingPursuit

11、OrthogonalMatchingPursuitCV