- 线性回归API
sklearn.linear_model.LinearRegression()
LinearRegression.coef_:回归系数
事例代码:#导入模块 from sklearn.linear_model import LinearRegression #构造数据集 x = [[80, 86], [82, 80], [85, 78], [90, 90], [86, 82], [82, 90], [78, 80], [92, 94]] y = [84.2, 80.6, 80.1, 90, 83.2, 87.6, 79.4, 93.4] #机器学习-- 模型训练 # 实例化API estimator = LinearRegression() # 使用fit方法进行训练 estimator.fit(x,y) estimator.coef_ estimator.predict([[100, 80]])
2.线性回归的损失和优化
-
损失函数
总损失定义为:
yi为第i个训练样本的真实值
h(xi)为第i个训练样本特征值组合预测函数
又称最小二乘法
如何去减少这个损失,使我们预测的更加准确些?既然存在了这个损失,我们一直说机器学习有自动学习的功能,在线性回归这里更是能够体现。这里可以通过一些优化方法去优化(其实是数学当中的求导功能)回归的总损失!!! -
优化算法
正规方程: