标签:plt 20 1.1 fit test 线性 import 乘法 diabetes
1.最小二乘法数学表达式:
使经验函数风险最小化 = 损失函数(平方损失)
2.示例
1 from sklearn import linear_model 2 reg = linear_model.LinearRegression() 3 reg.fit ([[0, 0], [1, 1], [2, 2]], [0, 1, 2]) 4 LinearRegression(copy_X=True, fit_intercept=True, n_jobs=1, normalize=False) 5 reg.coef_ 6 array([ 0.5, 0.5])
模型参数 coef = w 相关系数 intercept = w0 截距 在fit_intercept = Flase的时候将会返回0
copy_x 是否对x值进行复制保存
fit_intercept 是否显示截距 即b的值
n_jobs 运算时电脑几核运行
normalize 在进行最小二乘法运算时x是否先标准化,当_fit_intercep_t为False时该参数默认取消
3.官方案例
1 import matplotlib.pyplot as plt 2 import numpy as np 3 from sklearn import datasets, linear_model 4 from sklearn.metrics import mean_squared_error, r2_score 5 6 # Load the diabetes dataset 7 diabetes_X, diabetes_y = datasets.load_diabetes(return_X_y=True) 8 print(diabetes_y) 9 # Use only one feature 10 diabetes_X = diabetes_X[:, np.newaxis, 2] 11 12 13 # Split the data into training/testing sets 14 diabetes_X_train = diabetes_X[:-20] 15 diabetes_X_test = diabetes_X[-20:] 16 17 # Split the targets into training/testing sets 18 diabetes_y_train = diabetes_y[:-20] 19 diabetes_y_test = diabetes_y[-20:] 20 21 # Create linear regression object 22 regr = linear_model.LinearRegression() 23 24 # Train the model using the training sets 25 regr.fit(diabetes_X_train, diabetes_y_train) 26 27 # Make predictions using the testing set 28 diabetes_y_pred = regr.predict(diabetes_X_test) 29 30 # The coefficients 31 print('Coefficients: \n', regr.coef_) 32 # The mean squared error #残差平方和 33 print('Mean squared error: %.2f' 34 % mean_squared_error(diabetes_y_test, diabetes_y_pred)) 35 # The coefficient of determination: 1 is perfect prediction 36 print('Coefficient of determination: %.2f' 37 % r2_score(diabetes_y_test, diabetes_y_pred)) 38 39 # Plot outputs 40 plt.scatter(diabetes_X_test, diabetes_y_test, color='black') 41 plt.plot(diabetes_X_test, diabetes_y_pred, color='blue', linewidth=3) 42 43 plt.xticks(()) 44 plt.yticks(())
标签:plt,20,1.1,fit,test,线性,import,乘法,diabetes 来源: https://www.cnblogs.com/zhengyinboke/p/12745223.html
本站声明: 1. iCode9 技术分享网(下文简称本站)提供的所有内容,仅供技术学习、探讨和分享; 2. 关于本站的所有留言、评论、转载及引用,纯属内容发起人的个人观点,与本站观点和立场无关; 3. 关于本站的所有言论和文字,纯属内容发起人的个人观点,与本站观点和立场无关; 4. 本站文章均是网友提供,不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属;如您发现该文章侵犯了您的权益,可联系我们第一时间进行删除; 5. 本站为非盈利性的个人网站,所有内容不会用来进行牟利,也不会利用任何形式的广告来间接获益,纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。