scikit-learn学习：Ordinary Least Squares

最近系统学习scikit-learn，记录一下以便于以后查找运用方便，如果有错误也欢迎大家指正。

实验结果如图所示：

代码：

# -*- coding: utf-8 -*-
'''
Created on 2017-2-15

@author: admin
'''

import matplotlib.pyplot as plt
import numpy as np
from sklearn import datasets, linear_model

#加载数据，并且将训练集和数据集进行分割。
diabetes = datasets.load_diabetes()
diabetes_X = diabetes.data[:, np.newaxis, 2]
diabetes_X_train = diabetes_X[:-20]
diabetes_X_test = diabetes_X[-20:]
diabetes_y_train = diabetes.target[:-20]
diabetes_y_test = diabetes.target[-20:]

# 创建训练模型
regr = linear_model.LinearRegression()

# 通过训练数据训练模型
regr.fit(diabetes_X_train, diabetes_y_train)

#输出模型系数
print('Coefficients: ', regr.coef_)
# 输出错误差值平方均值
print("Residual sum of squares: %.2f"
      % np.mean((regr.predict(diabetes_X_test) - diabetes_y_test) ** 2))
# Explained variance score: 1 is perfect prediction
print('Variance score: %.2f' % regr.score(diabetes_X_test, diabetes_y_test))

# Plot outputs
plt.scatter(diabetes_X_test, diabetes_y_test,  color='black')
plt.plot(diabetes_X_test, regr.predict(diabetes_X_test), color='blue',
         linewidth=3)

plt.xticks(())
plt.yticks(())

plt.show()

LinearRegression参数：

fit_intercept：为true则计算截距，否则不计算。

normalize：为true，则先将X标准化，在进行计算。

copy_X ：为true，X被复制，否则被重写。

n_jobs：If -1 all CPUs are used. This will only provide speedup for n_targets > 1 and sufficient large problems.

属性：

coef_：为线性模型的系数

intercept：为截距。

函数：

fit(X, y, sample_weight=None):训练线性模型：

X：训练数据

y：训练数据标签。

sample_weight：对于每个样本的权重。

get_params(deep=True)：得到模型的参数。

predict(X)：预测X的结果

X：测试数据

score(X, y, sample_weight=None)：验证识别效果

X:测试数据

y：标签数据

sample_weight:样本权重

set_params(**params):设置模型参数。

本博客为博主辛苦总结，如有转载，请附原地址链接：http://blog.csdn.net/u014662865/article/details/55194199