sklearn常用的API參數解析：sklearn.linear_model.LinearRegression

本篇內容介紹了“sklearn常用的API參數解析：sklearn.linear_model.LinearRegression”的有關知識，在實際案例的操作過程中，不少人都會遇到這樣的困境，接下來就讓小編帶領大家學習一下如何處理這些情況吧！希望大家仔細閱讀，能夠學有所成！

sklearn.linear_model.LinearRegression

調用

sklearn.linear_model.LinearRegression(fit_intercept=True, normalize=False, copy_X=True, n_jobs=None)

Parameters

fit_intercept

釋義:是否計算該模型的截距。

設置:bool型,可選,默認True,如果使用中心化的數據，可以考慮設置為False,不考慮截距。

normalize

釋義:是否對數據進行標準化處理

設置:bool型,可選,默認False,建議將標準化的工作放在訓練模型之前,通過設置sklearn.preprocessing.StandardScaler來實現，而在此處設置為false當fit_intercept設置為false的時候，這個參數會被自動忽略。如果為True,回歸器會標準化輸入參數：減去平均值，并且除以相應的二范數

copy_X

釋義:是否對X復制

設置:bool型、可選、默認True,如為false，則即經過中心化，標準化后，把新數據覆蓋到原數據上

n_jobs

釋義:計算時設置的任務個數,這一參數的對于目標個數>1（n_targets>1）且足夠大規模的問題有加速作用

設置:int or None, optional, 默認None,如果選擇-1則代表使用所有的CPU。

Attributes

coef_

釋義:對于線性回歸問題計算得到的feature的系數

輸出:如果輸入的是多目標問題，則返回一個二維數組(n_targets, n_features)；如果是單目標問題，返回一個一維數組 (n_features,)rank_

釋義:矩陣X的秩，僅在X為密集矩陣時有效

輸出:矩陣X的秩

singular_

釋義:矩陣X的奇異值，僅在X為密集矩陣時有效

輸出:array of shape (min(X, y),)

intercept_

釋義:截距，線性模型中的獨立項

輸出:如果fit_intercept = False，則intercept_為0.0

Methods

fit(self, X, y[, sample_weight])

訓練模型，，sample_weight為每個樣本權重值，默認None

get_params(self[, deep])

deep默認為True，返回一個字典，鍵為參數名，值為估計器參數值

predict(self, X)

模型預測，返回預測值

score(self, X, y[, sample_weight])

模型評估，返回R^2系數，最優值為1，說明所有數據都預測正確

set_params(self, **params)

設置估計器的參數，可以修改參數重新訓練

“sklearn常用的API參數解析：sklearn.linear_model.LinearRegression”的內容就介紹到這里了，感謝大家的閱讀。如果想了解更多行業相關的知識可以關注億速云網站，小編將為大家輸出更多高質量的實用文章！