sklearn.linear_model.LinearRegression

调用

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

Parameters

fit_intercept

释义:是否计算该模型的截距。

设置:bool型,可选,默认True,如果使用中心化的数据，可以考虑设置为False,不考虑截距。

normalize

释义:是否对数据进行标准化处理

设置:bool型,可选,默认False,建议将标准化的工作放在训练模型之前,通过设置sklearn.preprocessing.StandardScaler来实现，而在此处设置为false
当fit_intercept设置为false的时候，这个参数会被自动忽略。
如果为True,回归器会标准化输入参数：减去平均值，并且除以相应的二范数

copy_X

释义:是否对X复制

设置:bool型、可选、默认True,如为false，则即经过中心化，标准化后，把新数据覆盖到原数据上

n_jobs

释义:计算时设置的任务个数,这一参数的对于目标个数>1（n_targets>1）且足够大规模的问题有加速作用

设置:int or None, optional, 默认None,如果选择-1则代表使用所有的CPU。

Attributes

coef_

释义:对于线性回归问题计算得到的feature的系数

输出:如果输入的是多目标问题，则返回一个二维数组(n_targets, n_features)；
如果是单目标问题，返回一个一维数组 (n_features,)
rank_

释义:矩阵X的秩，仅在X为密集矩阵时有效

输出:矩阵X的秩

singular_

释义:矩阵X的奇异值，仅在X为密集矩阵时有效

输出:array of shape (min(X, y),)

intercept_

释义:截距，线性模型中的独立项

输出:如果fit_intercept = False，则intercept_为0.0

Methods

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

训练模型，，sample_weight为每个样本权重值，默认None

get_params(self[, deep])

deep默认为True，返回一个字典，键为参数名，值为估计器参数值

predict(self, X)

模型预测，返回预测值

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

模型评估，返回R^2系数，最优值为1，说明所有数据都预测正确

set_params(self, **params)

设置估计器的参数，可以修改参数重新训练