027. (7.25) sklearn线性回归基本方法

划分训练集和测试集：

X_train,X_test, y_train, y_test = sklearn.model_selection.train_test_split(train_data,train_target,test_size=0.25, random_state=0,stratify=y_train)

# train_data：所要划分的样本特征集

# train_target：所要划分的样本结果

# test_size：样本占比，如果是整数的话就是样本的数量

# random_state：是随机数的种子。
# 随机数种子：其实就是该组随机数的编号，在需要重复试验的时候，保证得到一组一样的随机数。比如你每次都填1，其他参数一样的情况下你得到的随机数组是一样的。但填0或不填，每次都会不一样。

# stratify是为了保持 split前 类的分布。

sklearn的train_test_split()各函数参数含义解释

线性回归：

from sklearn.linear_model import LinearRegression

reg = linear_model.LinearRegression()
reg.fit(X,y)

LinearRegression已经实现了多元线性回归模型，当然，也可以用来计算一元线性模型，通过使用list[list]传递数据就行。

• fit(X,y,sample_weight=None)：X,y以矩阵的方式传入，而sample_weight则是每条测试数据的权重，同样以array格式传入。
• predict(X)：预测方法，将返回预测值y_pred
• score(X,y,sample_weight=None)：评分函数，将返回一个小于1的得分，可能会小于0

LinearRegression将方程分为两个部分存放，coef_存放回归系数，intercept_则存放截距，因此要查看方程，就是查看这两个变量的取值。