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 () ) ]