from sklearn import linear_model
# LinearRegression 拟合一个带有系数 w = (w_1, ..., w_p) 的线性模型,
# 使得数据集实际观测数据和预测数据(估计值)之间的残差平方和最小。
reg = linear_model.LinearRegression()
reg.fit([[0 ,0], [1, 2], [2, 4]], [0, 1, 2])
# LinearRegression 拟合一个带有系数 w = (w_1, ..., w_p) 的线性模型,
# 使得数据集实际观测数据和预测数据(估计值)之间的残差平方和最小。
reg = linear_model.LinearRegression()
reg.fit([[0 ,0], [1, 2], [2, 4]], [0, 1, 2])
print(reg.coef_)
print(reg.intercept_)
# 设置正则化参数:广义交叉验证
# RidgeCV 通过内置的 Alpha 参数的交叉验证来实现岭回归。 该对象与 GridSearchCV 的使用方法相同,
# 只是它默认为 Generalized Cross-Validation(广义交叉验证 GCV),这是一种有效的留一验证方法(LOO-CV)
reg2 = linear_model.RidgeCV(alphas = [.1, 1, 10])
reg2.fit([[0 ,0], [0, 0], [1, 1]], [0, .1, 1])
print(reg2.alpha_)