sklearn —— 线性回归和逻辑回归

最新推荐文章于 2024-08-05 17:02:14 发布

starter_zheng

最新推荐文章于 2024-08-05 17:02:14 发布

阅读量1.3k

点赞数

分类专栏： sklearn 文章标签： sklearn

本文链接：https://blog.csdn.net/starter_____/article/details/79325149

版权

本文介绍了sklearn库中的线性回归和逻辑回归。线性回归是一种简单的回归分析方法，适用于数值型和标称型数据，但对非线性数据拟合不佳。逻辑回归基于Sigmoid函数，常用于二分类问题，实现简单但可能欠拟合。

摘要由CSDN通过智能技术生成

线性回归（Linear Regression）

在统计学中，线性回归（Linear Regression）是利用称为线性回归方程的最小平方函数对一个或多个自变量和因变量之间关系进行建模的一种回归分析。
优点：易于理解，计算简单。缺点：对非线性数据拟合不好。
适用数据类型：数值型和标称型数据。
算法类型：回归算法
Linear Regression的模型函数：
Linear Regression的损失函数：

通过训练数据集寻找参数的最优解，即求解可以得到minJ(θ)的参数向量θ,其中这里的参数向量也可以分为参数和w和b,分别表示权重和偏置值。求解最优解的方法有最小二乘法和梯度下降法。
示例

import matplotlib.pyplot as plt
import numpy as np
from sklearn import datasets, linear_model
from sklearn.metrics import mean_squared_error, r2_score
from sklearn.model_selection import train_test_split

# 加载diabetes数据集
diabetes = datasets.load_diabetes()