以线性回归为例，介绍sklearn包进行机器学习的流程
本文以线性回归为例，介绍使用 sklearn进行机器学习的一般过程。
- 首先生成模拟数据
import numpy as np
def get_data(theta_true,N):
X=np.random.normal(size=(N,len(theta_true)))
Y=X@theta_true+np.random.normal(size=(N))
return (X,Y)
theta_true=np.array([2,3,4])
X,Y=get_data(theta_true,100)
- 实例化一个估计器，进行一些可选参数配置。
sklearn里的回归和线性回归是位于sklearn.linear_model包中的`LinearRegression类，在实例化对象时有两个参数： - fit_intercept：bool，默认为True，是否计算此模型的截距，False 表示不计算截距
- normalize：bool，默认为False如果为True，则在回归之前将对回归变量X进行归一化
- copy_X : 布尔型参数，若为True，则X将被复制；否则将被覆盖。 可选参数。默认值为True。
- n_jobs : 整型参数，表示用于计算的作业数量；若为-1，则用所有的CPU。可选参数。默认值为1
from sklearn.linear_model import LinearRegression
lm_model = LinearRegression()
- 调用估计器的
fit方法，传入数据和标签，进行学习
lm_model.fit(X,Y)
- 查看估计出来的参数
lm_model.intercept_#查看截距
lm_model.coef_#查看系数
- 进行预测
lm_model.predict(X_test)
- 模型评估
lm.model.score(X_test,Y_test)#用R方进行评估
Original: https://www.cnblogs.com/bestwangyulu/p/16391477.html
Author: Wang-YL
Title: 5.sklearn下的线性回归
原创文章受到原创版权保护。转载请注明出处：https://www.johngo689.com/683574/
转载文章受原作者版权保护。转载请注明原作者出处！