相關(guān)包 sklearn.linear_model.LinearRegression
import matplotlib.pyplot as plt
import numpy as np
from sklearn import datasets
from sklearn.linear_model import LinearRegression
from sklearn.metrics import mean_squared_error, r2_score
# Load the diabetes dataset 加載糖尿病數(shù)據(jù)集
diabetes = datasets.load_diabetes()
# Use only one feature 選擇需要的特征
diabetes_X = diabetes.data[:, np.newaxis, 2]
# Split the data into training/testing sets
#將數(shù)據(jù)分割成培訓(xùn)/測(cè)試集
diabetes_X_train = diabetes_X[:-20]
diabetes_X_test = diabetes_X[-20:]
# Split the targets into training/testing sets
#將目標(biāo)分割成培訓(xùn)/測(cè)試集
diabetes_y_train = diabetes.target[:-20]
diabetes_y_test = diabetes.target[-20:]
# Create linear regression object
#創(chuàng)建線性回歸對(duì)象
regr = LinearRegression(fit_intercept = True)
#參數(shù)
#fit_intercept 是否需要截距
#normalize 是否標(biāo)準(zhǔn)化（當(dāng)fit_intercept 未設(shè)置時(shí)可以忽略）
# Train 訓(xùn)練
regr.fit(diabetes_X_train, diabetes_y_train)
#求截距
regr.coef_
#求系數(shù)
regr.intercept_
# predictions 預(yù)測(cè)
diabetes_y_pred = regr.predict(diabetes_X_test)
regr.score(diabetes_X_test,diabetes_y_test) #得分
regr.get_params(deep=True) #模型參數(shù)
# 均方誤差
#均方誤差是各數(shù)據(jù)偏離真實(shí)值的距離平方和的平均數(shù)混驰，也即誤差平方和的平均數(shù)，
#類似的方差是各數(shù)據(jù)偏離平均值的距離平方和的平均數(shù)。
#它的開方叫均方根誤差，均方根誤差才和標(biāo)準(zhǔn)差形式上接近
#注意：標(biāo)準(zhǔn)差，中文環(huán)境中又常稱均方差
mean_squared_error(diabetes_y_test, diabetes_y_pred)
# Explained variance score: 1 is perfect prediction
# 解釋方差得分：1是完美的預(yù)測(cè)
r2_score(diabetes_y_test, diabetes_y_pred)
# 畫圖
plt.scatter(diabetes_X_test, diabetes_y_test, color='black')
plt.plot(diabetes_X_test, diabetes_y_pred, color='blue', linewidth=3)
plt.xticks(())
plt.yticks(())
plt.show()
最后編輯于 ：
?著作權(quán)歸作者所有,轉(zhuǎn)載或內(nèi)容合作請(qǐng)聯(lián)系作者
