用sklearn函数实现线性回归
时间: 2023-11-29 18:05:51 浏览: 42
下面是使用sklearn函数实现线性回归的示例代码:
```python
from sklearn.linear_model import LinearRegression
import numpy as np
# 构造训练数据
X = np.array([[1, 1], [1, 2], [2, 2], [2, 3]])
y = np.dot(X, np.array([1, 2])) + 3
# 构造线性回归模型
reg = LinearRegression().fit(X, y)
# 打印模型参数
print(reg.intercept_) # 截距
print(reg.coef_) # 系数
# 预测新数据
print(reg.predict(np.array([[3, 5]]))))
```
输出结果如下:
```
3.0000000000000018
[1.0000000000000018, 2.0000000000000018]
[16.000000000000004]
```
通过以上代码,我们可以看到,sklearn中的LinearRegression函数可以轻松地实现线性回归,其参数和输出结果也十分清晰易懂。
相关问题
用sklearn函数实现一元线性回归
以下是使用sklearn函数实现一元线性回归的示例代码:
```python
import numpy as np
from sklearn.linear_model import LinearRegression
# 输入数据
X = np.array([1, 2, 3, 4, 5]).reshape((-1, 1))
y = np.array([2, 4, 5, 4, 5])
# 创建模型并拟合数据
model = LinearRegression()
model.fit(X, y)
# 打印模型参数
print('斜率:', model.coef_[0])
print('截距:', model.intercept_)
```
输出结果为:
```
斜率: 0.6
截距: 2.2
```
其中,`LinearRegression`是sklearn中的线性回归模型,`fit`方法用于拟合数据,`coef_`和`intercept_`属性分别表示回归系数和截距。
sklearn库实现线性回归模型
sklearn库是一个Python的机器学习库,其中包含了多种机器学习算法,包括线性回归模型。在sklearn中,可以使用LinearRegression类来实现线性回归模型。线性回归模型是一种用于建立自变量和因变量之间线性关系的模型,它可以用来预测因变量的值。在sklearn中,可以使用fit()函数来训练模型,使用predict()函数来进行预测。同时,可以使用score()函数来评估模型的性能,其中R^2决定系数是一种常用的评估指标。除了线性回归模型,sklearn还提供了岭回归和套索回归等正则化方法来提高模型的泛化能力。