sklearn.linear_model.LinearRegression

調(diào)用

sklearn.linear_model.LinearRegression(fit_intercept=True, normalize=False, copy_X=True, n_jobs=None)

Parameters

fit_intercept

釋義:是否計(jì)算該模型的截距。

設(shè)置:bool型,可選,默認(rèn)True,如果使用中心化的數(shù)據(jù)，可以考慮設(shè)置為False,不考慮截距。

normalize

釋義:是否對(duì)數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理

設(shè)置:bool型,可選,默認(rèn)False,建議將標(biāo)準(zhǔn)化的工作放在訓(xùn)練模型之前,通過設(shè)置sklearn.preprocessing.StandardScaler來實(shí)現(xiàn)，而在此處設(shè)置為false
當(dāng)fit_intercept設(shè)置為false的時(shí)候，這個(gè)參數(shù)會(huì)被自動(dòng)忽略。
如果為True,回歸器會(huì)標(biāo)準(zhǔn)化輸入?yún)?shù)：減去平均值，并且除以相應(yīng)的二范數(shù)

copy_X

釋義:是否對(duì)X復(fù)制

設(shè)置:bool型、可選、默認(rèn)True,如為false，則即經(jīng)過中心化，標(biāo)準(zhǔn)化后，把新數(shù)據(jù)覆蓋到原數(shù)據(jù)上

n_jobs

釋義:計(jì)算時(shí)設(shè)置的任務(wù)個(gè)數(shù),這一參數(shù)的對(duì)于目標(biāo)個(gè)數(shù)>1（n_targets>1）且足夠大規(guī)模的問題有加速作用

設(shè)置:int or None, optional, 默認(rèn)None,如果選擇-1則代表使用所有的CPU。

Attributes

coef_

釋義:對(duì)于線性回歸問題計(jì)算得到的feature的系數(shù)

輸出:如果輸入的是多目標(biāo)問題，則返回一個(gè)二維數(shù)組(n_targets, n_features)；
如果是單目標(biāo)問題，返回一個(gè)一維數(shù)組 (n_features,)
rank_

釋義:矩陣X的秩，僅在X為密集矩陣時(shí)有效

輸出:矩陣X的秩

singular_

釋義:矩陣X的奇異值，僅在X為密集矩陣時(shí)有效

輸出:array of shape (min(X, y),)

intercept_

釋義:截距，線性模型中的獨(dú)立項(xiàng)

輸出:如果fit_intercept = False，則intercept_為0.0

Methods

fit(self, X, y[, sample_weight])

訓(xùn)練模型，，sample_weight為每個(gè)樣本權(quán)重值，默認(rèn)None

get_params(self[, deep])

deep默認(rèn)為True，返回一個(gè)字典，鍵為參數(shù)名，值為估計(jì)器參數(shù)值

predict(self, X)

模型預(yù)測(cè)，返回預(yù)測(cè)值

score(self, X, y[, sample_weight])

模型評(píng)估，返回R^2系數(shù)，最優(yōu)值為1，說明所有數(shù)據(jù)都預(yù)測(cè)正確

set_params(self, **params)

設(shè)置估計(jì)器的參數(shù)，可以修改參數(shù)重新訓(xùn)練

本文由博客一文多發(fā)平臺(tái) OpenWrite 發(fā)布！

審核編輯：符乾江