线性回归算法总结
线性回归算法：
典型参数学习
比较kNN :非参数学习
只能解决回归问题
虽然许多分类方法都以线性回归为基础(
相比之下，kNN既能解决分类问题，也能解决回归问题
数据有假设：线性(线性关系越强，得到的结果越好) )。
比较kNN :数据没有假设
对数据有很强的说明(例如波士顿的房价和房子的房间数、是否面对河都有关系) )
###关于线性回归模型的更多讨论importnumpyasnpfromsklearnimportdatasetsboston=datasets.load _ Boston () x=Boston.datay=bostay froms klearn.linear _ modelimportlinearregressionlin _ reg=linear regression (Lin _ reg.fit ) x，y因此培训数据集linearregression(Lin_reg.coef_输出： array ([-1.06715912 e-01，3.53133180 e-02，- 4.3830943 e-01，3.531313180 e-) 2.51301879e-01，-1.37774382e-02，- 8.38180086 e-01，7.85316354-3.50107918 e-01 (NP.arg sort (Lin _ reg.coeg.coed ) dtype=int64 ) boston.feature_names#存储所有特征的名称输出。 array(['crim '、' ZN '、' INDUS '、' CHAS '、' NOX '、' RM '、' LSTAT']， dtype='U7 ' ) Boston.feature _ names [ NP.arg sort (Lin _ reg.coef _ ] #排序后相应名称的排序结果输出： array () ) ]