这个直接fit好了,然后调用就可以啦。附一个我前段时间写的多元线性回归给你参考吧。
#多元线性回归
from sklearn.linear_model import LinearRegression
from sklearn.model_selection import train_test_split
from sklearn import preprocessing
import numpy as np
insfuelcon_std=pd.DataFrame(preprocessing.normalize(insfuelcon_date,norm='l2', axis=1, copy=True),columns=insfuelcon_date.columns)
X = insfuelcon_std.iloc[:,:-2]
y = insfuelcon_std.iloc[:,-2]
X_train,X_test,y_train,y_test = train_test_split(X,y,test_size = 0.2,random_state=1234)
reg = LinearRegression()
reg.fit(X_train,y_train)
print(reg.coef_) #输出多元线性回归的各项系数
print(reg.intercept_) #输出多元线性回归的常数项的值
y_predict=reg.predict(X_test) #调用拟合好的模型进行预测,也就是你说的保存好的模型
另附一个模型评价
#模型评价
from sklearn.metrics import mean_absolute_error
from sklearn.metrics import mean_squared_error
from sklearn.metrics import r2_score #直接调用库函数进行输出R2
print(mean_squared_error(y_test,y_predict))
print(mean_absolute_error(y_test,y_predict))
print(r2_score(y_test,y_predict))
print(reg.score(X_test,y_test))
print(reg.coef_) #输出多元回归算法的各个特征的系数矩阵
print(np.argsort(reg.coef_)) #输出多元线性回归算法各个特征的系数排序,可以知道各个特征的影响度
print(insfuelcon_date.columns[np.argsort(reg.coef_)]) #输出各个特征按照影响系数从小到大的顺序