调用Scikit-learn中的多元线性回归求解模型

import numpy as np
from sklearn.linear_model import LinearRegression
import matplotlib.pyplot as plt

X1 = 2 * np.random.rand(100, 1)
X2 = 2 * np.random.rand(100, 1)
X = np.c_[X1, X2]

y = 4 + 3 * X1 + 5 * X2 + np.random.randn(100, 1)

reg = LinearRegression(fit_intercept=True)
reg.fit(X, y)
print(reg.intercept_, reg.coef_)

X_new = np.array([[0, 0],
                  [2, 1],
                  [2, 4]])
y_predict = reg.predict(X_new)

plt.plot(X_new[:, 0], y_predict, 'r-')
plt.plot(X1, y, 'b.')
plt.axis([0, 2, 0, 35])
plt.show()

我们为了去计算出截距项，我们还人为的添加了一个 X0 列 向量，这里我们并没有这样去做，所以可想而知这个 sklearn 封装的类里面肯定是有点门道 的，里面是可以有些超参数传递的，python 里面的生成对象的第一个参数都是 self，我们 可以不用管这个，直接可以把 self 之后的参数看成是可以传的参数

这里我们可以看到有一个参数是 fit_intercept=True，之所以是有等号是代表是有默认值， True 代表这个多元线性回归会帮助我们去计算截距项 W0，本质就是会帮助我们去把 X 身 上加上 X0 一列再去求解方程

                                      截距项 和参数系数

当fit_intercept=False时：

 分析一下有截距项和没有截距项的区别：

 注意：这里我们训练模型的时候用的训练集 的 X 是两个特征，那么我们这里去使用模型的时候传给模型的 X_new 也得是两个维度

模型：