本篇內(nèi)容介紹了“sklearn常用的API參數(shù)解析：sklearn.linear_model.LinearRegression”的有關(guān)知識(shí)，在實(shí)際案例的操作過程中，不少人都會(huì)遇到這樣的困境，接下來就讓小編帶領(lǐng)大家學(xué)習(xí)一下如何處理這些情況吧！希望大家仔細(xì)閱讀，能夠?qū)W有所成！

10年積累的成都做網(wǎng)站、成都網(wǎng)站設(shè)計(jì)經(jīng)驗(yàn)，可以快速應(yīng)對(duì)客戶對(duì)網(wǎng)站的新想法和需求。提供各種問題對(duì)應(yīng)的解決方案。讓選擇我們的客戶得到更好、更有力的網(wǎng)絡(luò)服務(wù)。我雖然不認(rèn)識(shí)你，你也不認(rèn)識(shí)我。但先做網(wǎng)站后付款的網(wǎng)站建設(shè)流程，更有鎮(zhèn)康免費(fèi)網(wǎng)站建設(shè)讓你可以放心的選擇與我們合作。

sklearn.linear_model.LinearRegression

調(diào)用

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

Parameters

fit_intercept

釋義:是否計(jì)算該模型的截距。

設(shè)置:bool型,可選,默認(rèn)True,如果使用中心化的數(shù)據(jù)，可以考慮設(shè)置為False,不考慮截距。

normalize

釋義:是否對(duì)數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理

設(shè)置:bool型,可選,默認(rèn)False,建議將標(biāo)準(zhǔn)化的工作放在訓(xùn)練模型之前,通過設(shè)置sklearn.preprocessing.StandardScaler來實(shí)現(xiàn)，而在此處設(shè)置為false當(dāng)fit_intercept設(shè)置為false的時(shí)候，這個(gè)參數(shù)會(huì)被自動(dòng)忽略。如果為True,回歸器會(huì)標(biāo)準(zhǔn)化輸入?yún)?shù)：減去平均值，并且除以相應(yīng)的二范數(shù)

copy_X

釋義:是否對(duì)X復(fù)制

設(shè)置:bool型、可選、默認(rèn)True,如為false，則即經(jīng)過中心化，標(biāo)準(zhǔn)化后，把新數(shù)據(jù)覆蓋到原數(shù)據(jù)上

n_jobs

釋義:計(jì)算時(shí)設(shè)置的任務(wù)個(gè)數(shù),這一參數(shù)的對(duì)于目標(biāo)個(gè)數(shù)>1（n_targets>1）且足夠大規(guī)模的問題有加速作用

設(shè)置:int or None, optional, 默認(rèn)None,如果選擇-1則代表使用所有的CPU。

Attributes

coef_

釋義:對(duì)于線性回歸問題計(jì)算得到的feature的系數(shù)

輸出:如果輸入的是多目標(biāo)問題，則返回一個(gè)二維數(shù)組(n_targets, n_features)；如果是單目標(biāo)問題，返回一個(gè)一維數(shù)組 (n_features,)rank_

釋義:矩陣X的秩，僅在X為密集矩陣時(shí)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(shí)有效

輸出:array of shape (min(X, y),)

intercept_

釋義:截距，線性模型中的獨(dú)立項(xiàng)

輸出:如果fit_intercept = False，則intercept_為0.0

Methods

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

訓(xùn)練模型，，sample_weight為每個(gè)樣本權(quán)重值，默認(rèn)None

get_params(self[, deep])

deep默認(rèn)為True，返回一個(gè)字典，鍵為參數(shù)名，值為估計(jì)器參數(shù)值

predict(self, X)

模型預(yù)測(cè)，返回預(yù)測(cè)值

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

模型評(píng)估，返回R^2系數(shù)，最優(yōu)值為1，說明所有數(shù)據(jù)都預(yù)測(cè)正確

set_params(self, **params)

設(shè)置估計(jì)器的參數(shù)，可以修改參數(shù)重新訓(xùn)練

“sklearn常用的API參數(shù)解析：sklearn.linear_model.LinearRegression”的內(nèi)容就介紹到這里了，感謝大家的閱讀。如果想了解更多行業(yè)相關(guān)的知識(shí)可以關(guān)注創(chuàng)新互聯(lián)網(wǎng)站，小編將為大家輸出更多高質(zhì)量的實(shí)用文章！

當(dāng)前名稱：sklearn常用的API參數(shù)解析：sklearn.linear_model.LinearRegression
分享URL：http://vcdvsql.cn/article8/pdciip.html

成都網(wǎng)站建設(shè)公司_創(chuàng)新互聯(lián)，為您提供服務(wù)器托管、商城網(wǎng)站、做網(wǎng)站、手機(jī)網(wǎng)站建設(shè)、網(wǎng)站改版、關(guān)鍵詞優(yōu)化

廣告

聲明：本網(wǎng)站發(fā)布的內(nèi)容（圖片、視頻和文字）以用戶投稿、用戶轉(zhuǎn)載內(nèi)容為主，如果涉及侵權(quán)請(qǐng)盡快告知，我們將會(huì)在第一時(shí)間刪除。文章觀點(diǎn)不代表本網(wǎng)站立場(chǎng)，如需處理請(qǐng)聯(lián)系客服。電話：028-86922220；郵箱：631063699@qq.com。內(nèi)容未經(jīng)允許不得轉(zhuǎn)載，或轉(zhuǎn)載時(shí)需注明來源： 創(chuàng)新互聯(lián)