普通最小二乘法 LinearRegression

最新推荐文章于 2023-05-27 09:58:17 发布

w15180622522

最新推荐文章于 2023-05-27 09:58:17 发布

阅读量1.2k

点赞数 1

分类专栏：机器学习

本文链接：https://blog.csdn.net/w15180622522/article/details/88673381

版权

机器学习专栏收录该内容

6 篇文章 1 订阅

订阅专栏

普通最小二乘法（正规方程组）

拟合一个带有系数的线性模型，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。数学表达式：

$\underset{w}{min\,} {|| X w - y||_2}^2$

LinearRegression 会调用 fit 方法来拟合数组 X， y，并且将线性模型的系数存储在其成员变量 coef_ 中

from sklearn import linear_model

reg = linear_model.LinearRegression()
reg.fit ([[0, 0], [1, 1], [2, 2]], [0, 1, 2])
print(reg.coef_)  # [0.5 0.5]

LinearRegression(fit_intercept=True, normalize=False, copy_X=True, n_jobs=None)

参数	fit_intercept	是否计算该模型的截距b。如果设置为False，计算中将不使用截距(例如，数据预期已经居中)。
	normalize	当fit_intercept设置为False时，将忽略该参数。若为真，则回归前对回归量X进行归一化处理，取均值减去后除以l2-范数。
	copy_X	一个布尔值。如果为True，会复制X，否则会覆盖X
	n_jobs	用于计算的作业数。这只会为n_targets > 1和足够大的问题提供加速。
返回值	coef_	线性回归问题的估计系数。
	intercept_	b值。
方法	`fit`(X, y, sample_weight=None)	`fit` 方法来拟合数组 X， y
	`get_params`(deep=True)	就是获得fit_intercept=True, normalize=False, copy_X=True, n_jobs=None
	`predict`(X)	利用训练好的参数，来预测新的数据X对应的y
	`score`(X, y, sample_weight=None)	模型的效果
	`set_params`(**params)

from sklearn import linear_model

reg = linear_model.LinearRegression()
reg.fit ([[0, 0], [1, 1], [2, 2]], [0, 1, 2])
reg.get_params()
print(reg.coef_)
print(reg.intercept_)
print(reg.score([[0, 0], [1, 1], [2, 2]], [0, 1, 2.5]))
print(reg.get_params())
print(reg.set_params(copy_X=False,fit_intercept=False))
print(reg.get_params())

'''
[0.5 0.5]
1.1102230246251565e-16
0.9210526315789473
{'copy_X': True, 'fit_intercept': True, 'n_jobs': 1, 'normalize': False}
LinearRegression(copy_X=False, fit_intercept=False, n_jobs=1, normalize=False)
{'copy_X': False, 'fit_intercept': False, 'n_jobs': 1, 'normalize': False}
'''