这是西瓜书公式打卡的第一周总结
sklearn.linear_model模型实现了广义线性模型,包括线性回归、Ridge回归、Bayesian回归等。今天我们就来学习较为简单的线性回归LinearRegression模型。
1.模型定义
sklearn.linear_model.LinearRegression(fit_intercept=True, normalize=False,copy_X=True, n_jobs=1)
-fit_intercept:布尔类型,可选参数;设置模型是否计算截距,false表示不使用截距。
-normalize:布尔类型,可选参数,默认值为false;设置为true之前,解释变量x将在回归前进行标准化。
-copy_X:布尔类型,可选参数,默认值为true;如果为true,x将被复制;否则被重写。
-n_jobs:int类型,可选参数,默认值为1;如果设为1,将启动所有CPU。
2.几个常用的函数
fit(X,y, [sample_weight]) # 拟合线性模型
-X:训练数据,形状如 [n_samples,n_features]
-y:函数值,形状如 [n_samples, n_targets]
-sample_weight: 每个样本的个体权重,形状如[n_samples]
get_params([deep]) # 获取参数估计量
set_params(**params) # 设置参数估计量
predict(X) # 利用训练好的模型进行预测