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

Posted 2020-10-27 在路上-UP

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