深入浅出线性回归算法（二）多种回归模型介绍

最新推荐文章于 2024-08-29 20:32:56 发布

zzzzMing

最新推荐文章于 2024-08-29 20:32:56 发布

阅读量1k

点赞数

文章标签：算法回归线性回归数据挖掘人工智能

本文链接：https://blog.csdn.net/jiangzhali1623/article/details/103396976

版权

本文深入讲解了线性回归的参数及其在sklearn中的应用，并介绍了其他回归模型，包括树回归、逐步回归以及岭回归和套索回归，讨论了它们在解决多重共线性问题上的不同策略和优缺点。

摘要由CSDN通过智能技术生成

一.sklearn线性回归详解

1.1 线性回归参数

介绍完线性回归，那么我们来看看如何运用sklearn来调用线性回归模型，进行训练和预测。

def LinearRegression(fit_intercept=True,
                       normalize=False,
                       copy_X=True,
                       n_jobs=None
                       )
                                        
- fit_intercept：默认为true，参数意思是说要不要计算此模型的截距。如果设置为False，则不会在计算中使用截距。
- normalize：正则化，默认是false。
- copy_X：默认是true，会复制一份x，否则会覆盖掉原有的x。
        
- n_jobs：指定多少个CPU进行运算，默认是None，表示1。如果设置为-1则表示使用全部cpu。

1.2 线性回归例子

import numpy as np
from sklearn.linear_model import LinearRegression
X = np.array([[1, 1], [1, 2], [2, 2], [2, 3]])
# y = 1 * x_0 + 2 * x_1 + 3
y = np.dot(X, np.array([1, 2])) + 3
reg = LinearRegression().fi