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()