scikit-learn學習筆記（1）---安裝和通用線性模型

1.scikit-learn安裝

pip install -U scikit-learn

或

conda install scikit-learn

2.通用線性模型

LinearRegression通過最小化數據值得最小殘差和擬合出係數w=(w1,…,wp)，並通過這個模型進行預測。
示例1：

sklearn.linear_model.LinearRegression(fit_intercept=True,normalize=False,copy_X=True,n_jobs=1)
說明：
輸入參數：
fit_intercept:是否計算截距
normalize：迴歸前標準化
copy_X：複製X，否則將被覆蓋
n_jobs：用於計算的cpu數，如果是-1，表示調用所有的CPU
屬性：
coef_:線性迴歸係數
residues_:殘差和
intercept_:線性模型的獨立項
方法：
decision_function(*args, **kwargs)：
這個方法將在0.19版本中去除。
fit(X, y, sample_weight=None):擬合線性模型
-參數
X：訓練數據，numpy數組或者是包含不同樣本不同特徵的矩陣
y：目標值，numpy數組或者是包含不同樣本值的矩陣
sample_weight：每個樣本的權重，numpy數組，長度對應樣本數量
-返回值
返回self的一個實例。
get_params(deep=True):
-參數
如果爲True，將返回此估計值的參數，幷包含作爲估計值的子對象。
-返回值
返回參數值
predict(X):
-參數
X：樣本，大小（n個樣本，n個特徵值
-返回值
返回預測值
score(X, y, sample_weight=None):
計算預測的確定係數，最佳爲1
set_params(**params):
設置參數。
示例2：

import matplotlib.pyplot as plt
import numpy as np
from sklearn import datasets, linear_model

# Load the diabetes dataset
diabetes = datasets.load_diabetes()


# Use only one feature

diabetes_X = diabetes.data[:, np.newaxis, 2]


# Split the data into training/testing sets
diabetes_X_train = diabetes_X[:-20]
diabetes_X_test = diabetes_X[-20:]

# Split the targets into training/testing sets
diabetes_y_train = diabetes.target[:-20]  
diabetes_y_test = diabetes.target[-20:]

# Create linear regression object
regr = linear_model.LinearRegression()

# Train the model using the training sets
regr.fit(diabetes_X_train, diabetes_y_train)

# The coefficients
print('Coefficients: \n', regr.coef_)
# The mean squared error
print("Mean squared error: %.2f"
      % np.mean((regr.predict(diabetes_X_test) - diabetes_y_test) ** 2))
# Explained variance score: 1 is perfect prediction
print('Variance score: %.2f' % regr.score(diabetes_X_test, diabetes_y_test))
# Plot outputs
plt.scatter(diabetes_X_test, diabetes_y_test,  color='black')
plt.plot(diabetes_X_test, regr.predict(diabetes_X_test), color='blue',
         linewidth=3)
#plt.xticks(())  #去掉刻度
#plt.yticks(())
plt.show()