LinearRegression,Ridge,RidgeCV,Lasso线性回归模型简单使用

最新推荐文章于 2024-08-14 17:31:38 发布

alone52Hz

最新推荐文章于 2024-08-14 17:31:38 发布

阅读量1.1w

点赞数 1

分类专栏：机器算法文章标签：线性回归模型例子

本文链接：https://blog.csdn.net/fenxishichengzhang/article/details/53968592

版权

本文介绍了线性回归的基础，包括LinearRegression的平方损失函数，接着深入讨论了岭回归（Ridge）及其通过RidgeCV选择最佳正则化参数的方法。此外，还讲解了Lasso回归，特别强调了它在处理稀疏数据集上的优势和L1范数正则化。

摘要由CSDN通过智能技术生成

一、线性回归

LinearRegression：使用经验风险最小化=损失函数（平方损失）

这里写图片描述

>>> from sklearn import linear_model #导入模块
>>> reg = linear_model.LinearRegression() #导入模型
>>> reg.fit ([[0, 0], [1, 1], [2, 2]], [0, 1, 2]) #模型训练
LinearRegression(copy_X=True, fit_intercept=True, n_jobs=1, normalize=False) # copy_X:是否备份，fit_intercept:是否保存截距，n_jobs:?
normalize:是否标准化
>>> reg.coef_ # 训练后模型权重（特征个数无变化）
array([ 0.5,  0.5])
>>> reg.intercept_ # 训练后模型截距
1.1102230246251565e-16
>>