Sklearn.linear_model.LinearRegression参数、属性、方法

前言：
本文转载至https://zhuanlan.zhihu.com/p/65057797，若有侵犯请联系作者删除。

---

下面是通过Sklearn库中Linear_model模块来调用LinearRegressio方法建立线性回归方程**

sklearn.linear_model.LinearRegression(fit_intercept=True, normalize=False,copy_X=True, n_jobs=1)

LinearRegression参数：

参数	相关解释
fit_intercept	boolean,optional,default True,输入参数为布尔型，默认为True，参数的含义是是否计算截距，一般开启。
normalize	boolean,optional,default False,输入参数为布尔型，默认为True，为标准化开关，默认关闭，另外当上面fit_intercept参数为False时Normalize参数会被忽略，当参数值为True时，回归会准化输入参数：(X-X均值)/l x l,这个过程一般放在训练模型之前，如果参数设置为false，也可以通过sklearn.preprocessing.StandardScaler进行标准化处理。
copy_X	boolean,optional,default True。默认为True, 否则X会被改写。。
n_jobs	int,optional,default 1int。默认为1，表示用于计算的作业数量，如果为-1，则代表调用所有cpu

LinearRegression属性：

• coef_：array,shape(n_features, ) or (n_targets, n_features)。回归系数(斜率)。

 #示例代码
regr = linear_model.LinearRegression()
regr.fit(x,y)
regr.coef_

#输出结果
array([[48.80365652]])#权重值为48.8....，也就是x前面的系数

• intercept_: 截距

regr = linear_model.LinearRegression()
regr.fit(x,y)
regr.intercept_

#输出结果
array([-983.0372418])#偏执值为-983，就是一元线性回归中的b

LinearRegression方法：

• fit(x,y,sample_weight=None)：，x和y以矩阵的形式传入，sample_weight则是每条测试数据的权重，同样以矩阵方式传入（在版本0.17后添加了sample_weight）。
• predict(x)： 预测方法，用来返回预测值
• get_params(deep=True)： 返回对regressor 的设置值
• score(X,y,sample_weight=None)： 评分函数，将返回一个小于1的得分，可能会小于0
  ，