sklearn常用函数（学习笔记）

linear_model.LinearRegression()

• 普通最小二乘线性回归。
• LinearRegression 拟合具有系数 w = (w1, …, wp) 的线性模型，以最小化数据集中观察到的目标，与通过线性近似预测的目标之间的残差平方和。（最小化残差平方和）
• 参数
  • fit_intercept：bool, default=True
• 属性
  • coef_：array of shape (n_features, ) or (n_targets, n_features)
    • 线性回归问题的估计系数。 如果在拟合期间传递了多个目标（y 2D），这是一个形状为（n_targets，n_features）的二维数组，而如果只传递了一个目标，这是一个长度为 n_features 的一维数组。
  • intercept_：float or array of shape (n_targets,)
    • 线性模型中的独立项。 如果 fit_intercept = False，则设置为 0.0。
• 案例

>>> import numpy as np
>>> from sklearn.linear_model import LinearRegression
>>> X = np.array([[1, 1], [1, 2], [2, 2], [2, 3]])
>>> # y = 1 * x_0 + 2 * x_1 + 3
>>> y = np.dot(X, np.array([1, 2])) + 3
>>> reg = LinearRegression().fit(X, y)
>>> reg.score(X, y)
1.0
>>> reg.coef_
array([1., 2.])
>>> reg.intercept_
3.0...
>>> reg.predict(np.array([[3, 5]]))
array([16.])

一维数据拟合

>>> regr = linear_model.LinearRegression()
>>> regr.fit(np.vstack(X), Y)
>>> a, b = regr.coef_.take(0), regr.intercept_