机器学习-P2 使用sklearn中提供的线性回归算法

1，数据

依旧波士顿

import numpy as np
from sklearn import datasets

boston = datasets.load_boston()

x = boston.data
y = boston.target

x = x[y<50]
y = y[y<50]

2，线性回归算法

from sklearn.linear_model import LinearRegression

lin_reg = LinearRegression()

lin_reg.fit(x_train,y_train)
>>>LinearRegression(copy_X=True, fit_intercept=True, n_jobs=None, normalize=False)

信息

对应每个属性的回归系数

lin_reg.coef_
>>>array([-1.05508553e-01,  3.21306705e-02, -2.22057622e-02,  6.65447557e-01,
       -1.38799680e+01,  3.33985605e+00, -2.31747290e-02, -1.26679208e+00,
        2.31563372e-01, -1.30477958e-02, -8.50823070e-01,  6.00080341e-03,
       -3.89336930e-01])

截距（“1”那列对的回归系数）

lin_reg.intercept_
>>>36.92386748074081

跑分

lin_reg.score(x_test,y_test)
>>>0.8156582602978415

3，kNNRegressor中的线性回归算法

导入算法

from sklearn.neighbors import KNeighborsRegressor

knn_reg = KNeighborsRegressor()
knn_reg.fit(x_train,y_train)

跑分
这里会发现，分数很低是因为kNN算法有很多超参数，我们需要挑选出最佳的那组

knn_reg.score(x_test,y_test)
>>>0.6497688813332332

找出更优的参数

给出参数范围

from sklearn.model_selection import GridSearchCV

param_grid = [
    {
   
        "weights":["uniform"],
        "n_neighbors":[i for i in range(1,11)]
    },
    {