最小二乘法線性回歸：sklearn.linear_model.LinearRegression(fit_intercept=True, normalize=False,copy_X=True, n_jobs=1)

主要參數(shù)說明：

fit_intercept：布爾型，默認(rèn)為True，若參數(shù)值為True時，代表訓(xùn)練模型需要加一個截距項；若參數(shù)為False時，代表模型無需加截距項。

normalize：布爾型，默認(rèn)為False，若fit_intercept參數(shù)設(shè)置False時，normalize參數(shù)無需設(shè)置；若normalize設(shè)置為True時，則輸入的樣本數(shù)據(jù)將(X-X均值)/||X||；若設(shè)置normalize=False時，在訓(xùn)練模型前， 可以使用sklearn.preprocessing.StandardScaler進行標(biāo)準(zhǔn)化處理。

屬性：

coef_：回歸系數(shù)(斜率)

intercept_：截距項

主要方法：

①fit(X, y, sample_weight=None)

②predict(X)

③score(X, y, sample_weight=None)，其結(jié)果等于1-(((y_true - y_pred) **2).sum() /?((y_true - y_true.mean()) ** 2).sum())

利用sklearn自帶的糖尿病數(shù)據(jù)集，建立最簡單的一元回歸模型

In [1]:importnumpyasnp

...:fromsklearnimportdatasets , linear_model

...:fromsklearn.metricsimportmean_squared_error , r2_score

...:fromsklearn.model_selectionimporttrain_test_split

...:#加載糖尿病數(shù)據(jù)集

? ?...: diabetes = datasets.load_diabetes()

...: X = diabetes.data[:,np.newaxis ,2]#diabetes.data[:,2].reshape(diabetes

...: .data[:,2].size,1)

? ?...: y = diabetes.target

...: X_train , X_test , y_train ,y_test = train_test_split(X,y,test_size=0.2

...: ,random_state=42)

? ?...: LR = linear_model.LinearRegression()

? ?...: LR.fit(X_train,y_train)

...: print('intercept_:%.3f'% LR.intercept_)

...: print('coef_:%.3f'% LR.coef_)

...: print('Mean squared error: %.3f'% mean_squared_error(y_test,LR.predict

...: (X_test)))##((y_test-LR.predict(X_test))**2).mean()

...: print('Variance score: %.3f'% r2_score(y_test,LR.predict(X_test)))#1-(

...: (y_test-LR.predict(X_test))**2).sum()/((y_test - y_test.mean())**2).sum

? ?...: ()

...: print('score: %.3f'% LR.score(X_test,y_test))

...: plt.scatter(X_test , y_test ,color ='green')

...: plt.plot(X_test ,LR.predict(X_test) ,color='red',linewidth =3)

? ?...: plt.show()

? ?...:

intercept_:152.003

coef_:998.578

Mean squared error:4061.826

Variance score:0.233

score:0.233

效果如下：