常规最小二乘法sk learn.linear _ model.linear regression
普通最小二乘法
sk learn.linear _ model.linearregressionclasssklearn.linear _ model.linear regression (fit _ intercept=true，Normar ) 数据必须居中。 normalize :如果bool、optional、defaultFalsefit_intercept设置为false，则忽略此参数。 如果为真，则在回归前，通过减去平均值除以l2范数来归一化回归数x。 如果要标准化，请在normalize=False的估计器中调用fit之前使用sk learn.preprocessing.standardscaler。 copy_X:bool、optional、defaulttruetrue时为x； 否则，有可能涵盖它。 n _ jobs :用于int or none，optional(default=none )计算的作业数。 属性：
coef_arrayofshape(n_features，) or ) n_targets，n_features )线性回归问题的估计系数。 rank_int矩阵x的秩。 仅在x稠密时可用。 如何：
fit (自，x，y，sample_weight=None )拟合线性模型参数(X{array-like，sparsematrix}ofshape(n_samples，n _ n ) ) or(n_samples，n_targets )目标值sample_weightarray-likeofshape ) n_samples，)，每个default=None样本的单独权重为) ssone 这些子对象是评估量。 返回： paramsmapping of string to any映射到值的参数名称。 predict(self，x )通过线性模型进行预测。 参数： x :阵列_ like or sparse matrix，shape(n_samples，n_features )示例为c :阵列，shape ) n_samples )预测值shape )。系数R^2定义为(1-u/v )，其中u是残差平方和(y_true-y_pred ) *2).sum，v是平方和的总和(y _ true-y _ v 某个常数模型总是预测y的期望值，如果不考虑输入特性，则R^2得分为0.0。 参数： x:array-likeofshape(n_samples，n_features )测试样例。 y:array-likeofshape(n_samples，) or ) n_samples，n_outputs ) x的真值。 sample _ weight:array-likeofshape (n _ samples，)，default=None样本权重。 返回： scorefloat分数set_Params(self，**params )设置此估计器的参数。 参数： **params:dict估计参数返回： Self:object估计实例#！ /usr/结实的橘子/env python #-*-coding : utf-8-* # @ time :2020/6/1622:46 # @ author : laochen---- ' ' ' importmatplotlib.pyplotaspltimportnumpyasnpfromsklearnimportdatasets， linear _ modelfromsklearn.metricsimportmean _ mean R2 _ score # loadthediabetesdatasetdiabetes _ x， diabetes _ y=datasets.load _ diabetes (return _ x _ y=true ) useonlyonefeaturediabetes _ x=diabetes _ x [ 33333 testingsetsdiabetes _ x _ train=diabetes _ x [ :-20 ] diabetes _ x _ test=diabetes slitthetargetsintotraining/diabetes_y_test=diabetest线性回归对象创建regr=linear _ model.linear regression (#训练集训练模型regr.fit ) diabetes 使用测试集的预测diabetes _ y _ pred=regr.predict (diabetes _ x _ test )系数print (coefficients 336666 regr.coef _均方误差prict r(diabetes_y_test， diabetes_y_pred ()决策系数： 1是完全预测print (' coefficientofdetermination 3360 %.2f ' % R2 _ score ) diabetes _ y _ test diatiation diabetes_y_test，color='black ' ) PLT.plot ) diabetes_y_test，color='black ' ) p