最小二乘法线性回归:sklearn.linear_model.LinearRegression(fit_intercept=True, normalize=False,copy_X=True, n_jobs=1)
主要参数说明:
fit_intercept(添加截距):布尔型,默认为True,若参数值为True时,代表训练模型需要加一个截距项b;若参数为False时,代表模型无需加截距项。
normalize(归一化):布尔型,默认为False,若fit_intercept参数设置False时,normalize参数无需设置;若normalize设置为True时,则输入的样本数据将(X-X均值)/||X||;若设置normalize=False时,在训练模型前, 可以使用sklearn.preprocessing.StandardScaler进行标准化处理。
属性:
coef_:回归系数(斜率)
intercept_:截距项
主要方法:
①fit(X, y, sample_weight=None),返回一个实例化好的fit(就是初始化好一个线性函数)
②predict(X)
③score(X, y, sample_weight=None)
返回值为:
他表示预测值与标签均值的相似度。score越靠近0预测就越接近真值。