sklearn—LinearRegression,Ridge,RidgeCV,Lasso线性回归模型简单使用

Posted 在路上-UP

tags:

篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了sklearn—LinearRegression,Ridge,RidgeCV,Lasso线性回归模型简单使用相关的知识,希望对你有一定的参考价值。

LinearRegressionimport sklearn

from sklearn.linear_model import LinearRegression
X= [[0, 0], [1, 2], [2, 4]] 
y = [0, 1, 2]
clf = LinearRegression()
#fit_intercept=True
#默认值为 True,表示计算随机变量, False 表示不计算随机变量
#normalize=False
#默认值为 False,表示在回归前是否对回归因子 X 进行归一化, True 表示是 #copy_X=True 表示是否保存副本
# n_jobs=1 在运行时几核并行运算 clf.fit(X, y) #训练 print(clf.coef_) #获取训练会的线性函数X参数的权值 print(clf.intercept_) # 训练后模型截距 print(clf.predict([[3,3]])) #根据输出值进行预测 print(clf._decision_function([[3,3]]))#根据输入进行预测的第二种方法 print(clf.score([[3,3]],[1.79])) #堆预测结果进行评估 输出去的结果为1.0或者0.0分别代表预测的正确性为真或者为假 print(clf.get_params())#获取本次训练模型的参数值 print(clf.set_params(normalize=True)) #修改模型的参数值 print(clf.get_params())#重新显示模型训练参数值

 

以上是关于sklearn—LinearRegression,Ridge,RidgeCV,Lasso线性回归模型简单使用的主要内容,如果未能解决你的问题,请参考以下文章

sklearn中LinearRegression使用及源码解读

sklearn的LinearRegression源码理解

sklearn中LinearRegression关键源码解读

sklearn的LinearRegression源码理解

numpy.linalg.lstsq 和 sklearn.linear_model.LinearRegression 的区别

Python:Sklearn.linear_model.LinearRegression 工作很奇怪