多元线性回归LinearRegression

最新推荐文章于 2023-12-18 22:22:11 发布

可怜又无助的迪迪迪

最新推荐文章于 2023-12-18 22:22:11 发布

阅读量601

点赞数

分类专栏：机器学习sklearn 文章标签：线性回归回归算法

本文链接：https://blog.csdn.net/z1139269312/article/details/121989483

版权

10 篇文章 0 订阅

订阅专栏

基本原理： $\widehat{y_{i}}$ = $w_{0}+w_{1}x_{i1}+w_{2}x_{i2}+$ $\cdots +w_{n}x_{in}$

损失函数： $\sum_{i=1}^{m}(y_{i}-\widehat{y_{i}})^{2}$

linear_model.LinearRegression

fit_intercept	布尔值，可不填，默认True False 不计算截距
normalize	布尔值，可不填，默认False 忽略此参数 True 特征矩阵在进入回归前减去均值(中心化)并处以L2范式(缩放) 如果希望数据标准化，在fit之前使用preprocessing模块中的标准化专用类StandardScaler
copy_X	布尔值，可不填，默认True 在X.copy()上进行操作，原本特征矩阵不被覆盖
n_jobs	整数或None，可不填，默认None 用于计算的作业数，只在多标签的回归和数据量足够大的时候生效

评估指标

残差平方和：却接近0越好，但是可以无限扩大，不能准确评估谁最好。

均方误差：残差平方和/样本数量=MSE

MAE: MAE = $\frac{1}{m}$ $\sum_{i=0}^{m-1}\left | y_{i}-\widehat{y_{i}} \right |$

关注

专栏目录