LinearRegression phù hợp với một mô hình tuyến tính với các hệ số w = [w1, …, wp] để giảm thiểu tổng bình phương còn lại giữa các mục tiêu được quan sát trong tập dữ liệu và các mục tiêu được dự đoán bởi xấp xỉ tuyến tính
Thông số . fit_intercept bool, mặc định=TrueCó tính toán hệ số chặn cho mô hình này hay không. Nếu được đặt thành Sai, sẽ không có phần chặn nào được sử dụng trong tính toán [i. e. dữ liệu dự kiến sẽ được tập trung]
copy_X bool, mặc định=TrueNếu Đúng, X sẽ được sao chép;
n_jobs int, mặc định=KhôngSố lượng công việc được sử dụng để tính toán. Điều này sẽ chỉ cung cấp khả năng tăng tốc trong trường hợp các vấn đề đủ lớn, đó là nếu thứ nhất là n_targets > 1
và thứ hai là X
thưa thớt hoặc nếu positive
được đặt thành True
. None
có nghĩa là 1 trừ khi trong ngữ cảnh. -1
có nghĩa là sử dụng tất cả các bộ xử lý. Xem để biết thêm chi tiết
Khi được đặt thành True
, buộc các hệ số phải dương. Tùy chọn này chỉ được hỗ trợ cho các mảng dày đặc
Mới trong phiên bản 0. 24
Thuộc tính . coef_ mảng hình dạng [n_features, ] hoặc [n_targets, n_features]Các hệ số ước lượng cho bài toán hồi quy tuyến tính. Nếu nhiều mục tiêu được chuyển trong quá trình điều chỉnh [y 2D], thì đây là mảng 2D có hình dạng [n_mục tiêu, n_tính năng], trong khi nếu chỉ một mục tiêu được chuyển, thì đây là mảng 1D có độ dài n_features
rank_ intHạng của ma trận X
. Chỉ khả dụng khi X
dày đặc
Giá trị số ít của X
. Chỉ khả dụng khi X
dày đặc
Thuật ngữ độc lập trong mô hình tuyến tính. Đặt thành 0. 0 nếu n_targets > 1
24
Số lượng các tính năng nhìn thấy trong
Mới trong phiên bản 0. 24
feature_names_in_ ndarray của hình dạng [______125,]Tên của các tính năng nhìn thấy trong quá trình. Chỉ được xác định khi X
có tên đối tượng là tất cả các chuỗi
Mới trong phiên bản 1. 0
Xem thêm
Hồi quy độ dốc giải quyết một số vấn đề của Bình phương nhỏ nhất thông thường bằng cách áp dụng hình phạt đối với kích thước của các hệ số với chính quy hóa l2
Lasso là một mô hình tuyến tính ước tính các hệ số thưa thớt với chuẩn hóa l1
Elastic-Net là một mô hình hồi quy tuyến tính được đào tạo với cả l1 và l2 -norm chính quy hóa các hệ số
ghi chú
Từ quan điểm triển khai, đây chỉ là Bình phương nhỏ nhất thông thường đơn giản [scipy. linalg. lstsq] hoặc Bình phương nhỏ nhất không âm [scipy. tối ưu hóa. nnls] được bọc như một đối tượng dự đoán
ví dụ
>>> import numpy as np >>> from sklearn.linear_model import LinearRegression >>> X = np.array[[[1, 1], [1, 2], [2, 2], [2, 3]]] >>> # y = 1 * x_0 + 2 * x_1 + 3 >>> y = np.dot[X, np.array[[1, 2]]] + 3 >>> reg = LinearRegression[].fit[X, y] >>> reg.score[X, y] 1.0 >>> reg.coef_ array[[1., 2.]] >>> reg.intercept_ 3.0... >>> reg.predict[np.array[[[3, 5]]]] array[[16.]]
phương pháp
[X, y[, sample_weight]]
Phù hợp với mô hình tuyến tính
[[sâu]]
Nhận thông số cho công cụ ước tính này
[X]
Dự đoán bằng mô hình tuyến tính
[X, y[, sample_weight]]
Trả về hệ số xác định của dự đoán
[**thông số]
Đặt các tham số của công cụ ước tính này
phù hợp[X , y , sample_weight=Không có]Phù hợp với mô hình tuyến tính
Thông số . X {dạng mảng, ma trận thưa thớt} của hình dạng [n_samples, n_features]Dữ liệu đào tạo
y giống như mảng của hình dạng [n_samples,] hoặc [n_samples, n_targets]Giá trị mục tiêu. Sẽ được chuyển thành dtype của X nếu cần thiết
sample_weight hình dạng giống như mảng [n_samples,], default=NoneTrọng lượng riêng cho từng mẫu
Mới trong phiên bản 0. 17. tham số sample_weight hỗ trợ LinearRegression.
Trả về . bản thân vậtCông cụ ước tính được trang bị
Nhận thông số cho công cụ ước tính này
Thông số . deep bool, mặc định=TrueNếu Đúng, sẽ trả về các tham số cho công cụ ước tính này và chứa các đối tượng con là công cụ ước tính
Trả về . params mệnh lệnhTên tham số được ánh xạ tới giá trị của chúng
dự đoán[X]Dự đoán bằng mô hình tuyến tính
Thông số . X ma trận giống như mảng hoặc thưa thớt, hình dạng [n_samples, n_features]Mẫu
Trả về . C mảng, hình dạng [n_samples,]Trả về giá trị dự đoán
điểm[X , y , sample_weight=Không có]Trả về hệ số xác định của dự đoán
Hệ số xác định \[R^2\] được định nghĩa là \[[1 . Điểm tốt nhất có thể là 1. 0 và nó có thể âm [vì mô hình có thể xấu đi tùy ý]. Một mô hình hằng số luôn dự đoán giá trị mong đợi của n_targets > 1
7, bỏ qua các tính năng đầu vào, sẽ nhận được điểm số , where \[u\] is the residual sum of squares n_targets > 1
5 and \[v\] is the total sum of squares n_targets > 1
6. The best possible score is 1.0 and it can be negative [because the model can be arbitrarily worse]. A constant model that always predicts the expected value of n_targets > 1
7, disregarding the input features, would get a \[R^2\] là 0. 0.
Mẫu thử nghiệm. Đối với một số công cụ ước tính, đây có thể là ma trận hạt nhân được tính toán trước hoặc danh sách các đối tượng chung thay vì có hình dạng n_targets > 1
8, trong đó n_targets > 1
9 là số lượng mẫu được sử dụng để khớp cho công cụ ước tính
Giá trị thực cho X
trọng lượng mẫu
Trả về . điểm trôi nổi\[R^2\] của X
1 văn bản. n_targets > 1
7.
ghi chú
Điểm số \[R^2\] được sử dụng khi gọi n_targets > 1
3 trên biến hồi quy sử dụng X
4 từ phiên bản 0. 23 để phù hợp với giá trị mặc định của. Điều này ảnh hưởng đến phương pháp n_targets > 1
3 của tất cả các biến hồi quy đa đầu ra [ngoại trừ ].
Đặt các tham số của công cụ ước tính này
Phương pháp này hoạt động trên các công cụ ước tính đơn giản cũng như trên các đối tượng lồng nhau [chẳng hạn như ]. Cái sau có các tham số dạng X
9 để có thể cập nhật từng thành phần của một đối tượng lồng nhau