sklearn的持续更新1.1 广义线性回归模型1.1.1.

最近感觉学习ml没有什么动力，所有想把sklearn的东西翻译一下，顺便加深自己对算法的理解，也是提高当前本人的英语水平（目前英语惨目忍睹(ノ=Д=)ノ┻━┻）。我会尽量按照我自己的理解来进行翻译，有错还是希望大家能够理解，希望和大家一起学习进步。

1.1.广义线性回归

下面的公式是一组线性回归方法，其中是目标值和真实输入值组合。在数学概念中，假设为预测值。

通过这个模型，我们指定这个向量作为一次性系数coef_以及作为截距intercept_。

要使用广义线性回归进行分类，参考Logistics回归->（这里在之后的1.1.11会涉及到。感觉好多啊，随便都到11）

1.1.1.普通最小二乘

LinerRegression适合用系数进行线性拟合，使用最小二乘来最小化预测值和真实值之间的差距，用预测值来逼近真实值。在数学上解决这个问题用的是一下的公式：

LinearRegression将采用线性拟合的方式拟合数据X和y，并将得到的线性系数存储在coef_成员中:

from sklearn import linear_model
reg=linear_model.LinearRegression()
print(reg.fit([[0,0],[1,1],[2,2]],[0,1,2]))
#LinearRegression(copy_X=True,fit_intercept=True, n_jobs=1, normalize=False)
print(reg.coef_)#[0.5 0.5]

然而，普通的最小二乘法的系数建立依赖于模型项，当得到的矩阵的列有显著的线性相关时，得到的矩阵接近于奇异，导致最小二乘得到的误差值高度敏感，产生大的方差。例如，当没有对数据没有进行有效的处理和收集，就会产生出这种多重共线性的情况。

这个例子只用了糖尿病的第一个特征，画出了二维回归图。如图所示这条直线，可以看到从已知的数据点拟合之后的直线尝试去最小化残差平方和，通过线性的方式进行接近。

这里的系数，残差平方和，方差的值在这里被计算出来。

这里是代码的链接：我是链接