线性回归 sklearn.linear_model.LinearRegression

线性回归 sklearn.linear_model.LinearRegression

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

Parameters(参数):
     fit_intercept : boolean, optional, default True
是否计算该模型的截距。如果设置为False，则在计算中将不使用截距

    normalize : boolean, optional, default False
当fit_intercept设置为False时，将忽略此参数。如果为True，则将在回归之前通过减去均值并除以l2-范数来对回归变量X进行归一化。如果您希望标准化，请先使用sklearn.preprocessing.StandardScaler，然后使用normalize = False调用估计器的fit。

copy_X : boolean, optional, default True
如果为True，将复制X；否则，它可能会被覆盖。

n_jobs : int or None, optional (default=None)：
用于计算的作业数。None表示1。 -1表示使用所有处理器。有关更多详细信息，请参见词汇表。

Attributes（属性）:
coef_ : array, shape (n_features, ) or (n_targets, n_features)
返回模型的系数

intercept_ : array
返回模型的截距

>>> import numpy as np
>>> from sklearn.linear_model import LinearRegression
>>> X = np.array([[1, 1], [1, 2], [2, 2], [2, 3]])
>>> # y = 1 * x_0 + 2 * x_1 + 3
>>> y = np.dot(X, np.array([1, 2])) + 3
>>> reg = LinearRegression().fit(X, y)
>>> reg.score(X, y)
1.0
>>> reg.coef_
array([1., 2.])
>>> reg.intercept_ 
3.0000...
>>> reg.predict(np.array([[3, 5]]))
array([16.])

Methods(方法)：

• fit(self, X, y[, sample_weight]) fit 模型
• get_params(self[, deep]) 得到模型的参数
• predict(self, X) 使用线性模型进行预测
• score(self, X, y[, sample_weight]) 返回 预测的值，系数R ^ 2。
• set_params(self, **params) 设置模型的参数