• sklearn学习笔记之简单线性回归


    简单线性回归

    线性回归是数据挖掘中的基础算法之一,从某种意义上来说,在学习函数的时候已经开始接触线性回归了,只不过那时候并没有涉及到误差项。线性回归的思想其实就是解一组方程,得到回归函数,不过在出现误差项之后,方程的解法就存在了改变,一般使用最小二乘法进行计算。

    使用sklearn.linear_model.LinearRegression进行线性回归

    sklearn对Data Mining的各类算法已经有了较好的封装,基本可以使用fitpredictscore来训练、评价模型,并使用模型进行预测,一个简单的例子如下:

    >>> from sklearn import linear_model
    >>> clf = linear_model.LinearRegression()
    >>> X = [[0,0],[1,1],[2,2]]
    >>> y = [0,1,2]
    >>> clf.fit(X,y)
    >>> print(clf.coef_)
    [ 0.5 0.5]
    >>> print(clf.intercept_)
    1.11022302463e-16

    LinearRegression已经实现了多元线性回归模型,当然,也可以用来计算一元线性模型,通过使用list[list]传递数据就行。下面是LinearRegression的具体说明。

    使用方法

    实例化

    sklearn一直秉承着简洁为美得思想设计着估计器,实例化的方式很简单,使用clf = LinearRegression()就可以完成,但是仍然推荐看一下几个可能会用到的参数:

    • fit_intercept:是否存在截距,默认存在
    • normalize:标准化开关,默认关闭

    还有一些参数感觉不是太有用,就不再说明了,可以去官网文档中查看。

    回归

    其实在上面的例子中已经使用了fit进行回归计算了,使用的方法也是相当的简单。

    • fit(X,y,sample_weight=None)X,y以矩阵的方式传入,而sample_weight则是每条测试数据的权重,同样以array格式传入。
    • predict(X):预测方法,将返回预测值y_pred
    • score(X,y,sample_weight=None):评分函数,将返回一个小于1的得分,可能会小于0

    方程

    LinearRegression将方程分为两个部分存放,coef_存放回归系数,intercept_则存放截距,因此要查看方程,就是查看这两个变量的取值。

    多项式回归

    其实,多项式就是多元回归的一个变种,只不过是原来需要传入的是X向量,而多项式则只要一个x值就行。通过将x扩展为指定阶数的向量,就可以使用LinearRegression进行回归了。sklearn已经提供了扩展的方法——sklearn.preprocessing.PolynomialFeatures。利用这个类可以轻松的将x扩展为X向量,下面是它的使用方法:

    >>> from sklearn.preprocessing import PolynomialFeatures
    >>> X_train = [[1],[2],[3],[4]]
    >>> quadratic_featurizer = PolynomialFeatures(degree=2)
    >>> X_train_quadratic = quadratic_featurizer.fit_transform(X_train)
    >>> print(X_train_quadratic)
    [[ 1  1  1]
     [ 1  2  4]
     [ 1  3  9]
     [ 1  4 16]]

    经过以上处理,就可以使用LinearRegression进行回归计算了。

  • 相关阅读:
    安装jupyter_contrib_nbextensions库
    1.20
    架构之美阅读笔记01
    使用 netcat 数据源测试 Flume
    使用 Avro 数据源测试 Flume
    Tensorflow01-认识张量Tensor
    Spark06-RDD分区、缓存与Checkpoint讲解
    Spark05-RDD算子细谈
    Spark04-RDD入门
    Spark03-Scala面向对象和函数式编程
  • 原文地址:https://www.cnblogs.com/liuxingbusi/p/7616548.html
Copyright © 2020-2023  润新知