scikit-learn学习笔记（1）---安装和通用线性模型

1.scikit-learn安装

pip install -U scikit-learn

或

conda install scikit-learn

2.通用线性模型

LinearRegression通过最小化数据值得最小残差和拟合出系数w=(w1,…,wp)，并通过这个模型进行预测。
示例1：

sklearn.linear_model.LinearRegression(fit_intercept=True,normalize=False,copy_X=True,n_jobs=1)
说明：
输入参数：
fit_intercept:是否计算截距
normalize：回归前标准化
copy_X：复制X，否则将被覆盖
n_jobs：用于计算的cpu数，如果是-1，表示调用所有的CPU
属性：
coef_:线性回归系数
residues_:残差和
intercept_:线性模型的独立项
方法：
decision_function(*args, **kwargs)：
这个方法将在0.19版本中去除。
fit(X, y, sample_weight=None):拟合线性模型
-参数
X：训练数据，numpy数组或者是包含不同样本不同特征的矩阵
y：目标值，numpy数组或者是包含不同样本值的矩阵
sample_weight：每个样本的权重，numpy数组，长度对应样本数量
-返回值
返回self的一个实例。
get_params(deep=True):
-参数
如果为True，将返回此估计值的参数，并包含作为估计值的子对象。
-返回值
返回参数值
predict(X):
-参数
X：样本，大小（n个样本，n个特征值
-返回值
返回预测值
score(X, y, sample_weight=None):
计算预测的确定系数，最佳为1
set_params(**params):
设置参数。
示例2：

import matplotlib.pyplot as plt
import numpy as np
from sklearn import datasets, linear_model

# Load the diabetes dataset
diabetes = datasets.load_diabetes()


# Use only one feature

diabetes_X = diabetes.data[:, np.newaxis, 2]


# Split the data into training/testing sets
diabetes_X_train = diabetes_X[:-20]
diabetes_X_test = diabetes_X[-20:]

# Split the targets into training/testing sets
diabetes_y_train = diabetes.target[:-20]  
diabetes_y_test = diabetes.target[-20:]

# Create linear regression object
regr = linear_model.LinearRegression()

# Train the model using the training sets
regr.fit(diabetes_X_train, diabetes_y_train)

# The coefficients
print('Coefficients: \n', regr.coef_)
# The mean squared error
print("Mean squared error: %.2f"
      % np.mean((regr.predict(diabetes_X_test) - diabetes_y_test) ** 2))
# Explained variance score: 1 is perfect prediction
print('Variance score: %.2f' % regr.score(diabetes_X_test, diabetes_y_test))
# Plot outputs
plt.scatter(diabetes_X_test, diabetes_y_test,  color='black')
plt.plot(diabetes_X_test, regr.predict(diabetes_X_test), color='blue',
         linewidth=3)
#plt.xticks(())  #去掉刻度
#plt.yticks(())
plt.show()