sklearn學習筆記之簡單線性回歸

線性回歸是資料探勘中的基礎演算法之一，從某種意義上來說，在學習函式的時候已經開始接觸線性回歸了，只不過那時候並沒有涉及到誤差項。線性回歸的思想其實就是解一組方程，得到回歸函式，不過在出現誤差項之後，方程的解法就存在了改變，一般使用最小二乘法進行計算。

sklearn對data mining的各類演算法已經有了較好的封裝，基本可以使用fit、predict、score來訓練、評價模型，並使用模型進行**，乙個簡單的例子如下：

>>> from sklearn import linear_model

>>> clf = linear_model.linearregression()
>>> x = [[0,0],[1,1],[2,2]]
>>> y = [0,1,2]
>>> clf.fit(x,y)
>>> print(clf.coef_)
[ 0.5 0.5]
>>> print(clf.intercept_)
1.11022302463e-16

例項化sklearn一直秉承著簡潔為美得思想設計著估計器，例項化的方式很簡單，使用clf = linearregression()就可以完成，但是仍然推薦看一下幾個可能會用到的引數：

還有一些引數感覺不是太有用，就不再說明了，可以去官網文件中檢視。

回歸其實在上面的例子中已經使用了fit進行回歸計算了，使用的方法也是相當的簡單。

方程linearregression將方程分為兩個部分存放，coef_存放回歸係數，intercept_則存放截距，因此要檢視方程，就是檢視這兩個變數的取值。

其實，多項式就是多元回歸的乙個變種，只不過是原來需要傳入的是x向量，而多項式則只要乙個x值就行。通過將x擴充套件為指定階數的向量，就可以使用linearregression進行回歸了。sklearn已經提供了擴充套件的方法——sklearn.preprocessing.polynomialfeatures。利用這個類可以輕鬆的將x擴充套件為x向量，下面是它的使用方法：

>>> from sklearn.preprocessing import polynomialfeatures

>>> x_train = [[1],[2],[3],[4]]
>>> quadratic_featurizer = polynomialfeatures(degree=2)
>>> x_train_quadratic = quadratic_featurizer.fit_transform(x_train)
>>> print(x_train_quadratic)
[[ 1  1  1]
[ 1  2  4]
[ 1  3  9]
[ 1  4 16]]

sklearn學習筆記之開始

自2007年發布以來，scikit learn已經成為python重要的機器學習庫了。scikit learn簡稱sklearn，支援包括分類 回歸 降維和聚類四大機器學習演算法。還包含了特徵提取 資料處理和模型評估三大模組。sklearn是scipy的擴充套件，建立在numpy和matplotli...

sklearn學習筆記之preprocessing

官方文件位址 這個模組的主要內容是資料的預處理 binarizersklearn.preprocessing.binarizer threshold 0.0,copy true 作用 將資料進行二值化，若是特徵值 feature value 大於閾值 threshold 則將特徵值賦值為1否則為0 ...

sklearn學習筆記之嶺回歸

嶺回歸是一種專用於共線性資料分析的有偏估計回歸方法，實質上是一種改良的最小二乘估計法，通過放棄最小二乘法的無偏性，以損失部分資訊 降低精度為代價獲得回歸係數更為符合實際 更可靠的回歸方法，對病態資料的擬合要強於最小二乘法。乙個簡單的例子 from sklearn.linear model impor...