机器学习——线性回归模型的可解释性

我们使用scikit learn中的波士顿房产数据举例

import numpy as np
from sklearn import datasets

#加载sklearn-datasets数据集中的波士顿房产数据
boston = datasets.load_boston()

X = boston.data #所有特征数据
y = boston.target  #输出标记

#绘制二维的散点图会发现数据中存在一些垃圾数据，将其清除
X = X[y < 50.0]
y = y[y < 50.0]

#从sklearn中导入线性回归算法的package
from sklearn.linear_model import LinearRegression

lin_reg = LinearRegression() #实例化
lin_reg.fit(X, y) #fit拟合操作

#此时我们查看模型的参数coef_
#关于模型中的 coef_ 和 interception_ 参数是什么，传送门：https://www.jianshu.com/p/6a818b53a37e
In[1]: lin_reg.coef_
Out[1]:array([-1.06715912e-01,  3.53133180e-02, -4.38830943e-02,  4.52209315e-01,
       -1.23981083e+01,  3.75945346e+00, -2.36790549e-02, -1.21096549e+00,
        2.51301879e-01, -1.37774382e-02, -8.38180086e-01,  7.85316354e-03,
       -3.50107918e-01])
       
In[2]:np