voidfaceless的博客

章节内容在本节中，我们介绍我们在scikit-learn中使用的机器学习词汇，并给出一个简单的学习示例。机器学习：问题设置一般来说，学习问题考虑一组n个数据样本，然后尝试预测未知数据的属性。 如果每个样本多于单个数字，并且例如多维条目（也称为多变量数据），则称其具有若干属性或特征。我们可以在几个大类中分离学习问题：监督学习，其中数据带有我们想要预测的附加属性

普通最小二乘法线性回归用来拟合带有系数的线性模型，目的是最小化数据集中的原始数据与通过线性近似预测的数据之间的平方和的残差。 数学上它解决了形式的问题：线性回归将采用其fit方法拟合数组X，y，并将线性模型的系数w存储在其coef_成员中：>>> from sklearn import linear_model>>> reg = linear_model.Li

sklearn.linear_model.Ridgeclass sklearn.linear_model.Ridge(alpha=1.0, fit_intercept=True, normalize=False, copy_X=True, max_iter=None, tol=0.001, solver='auto', random_state=None)带有l2正则化的线性最小二乘。

sklearn.linear_model.LinearRegressionclass sklearn.linear_model.LinearRegression(fit_intercept=True, normalize=False, copy_X=True, n_jobs=1)普通最小二乘线性回归参数：fit_intercept:   布尔型，默认为tru

机器学习中的一个常见模式是使用数据的非线性函数训练的线性模型。 这种方法保持了线性方法的一般快速的性能，同时允许它们适应更宽范围的数据。例如，可以通过从系数构建多项式特征来扩展简单的线性回归。 在标准线性回归情况下，对于二维数据，您可能有一个类似于下面的模型：如果我们想要将抛物面拟合到数据而不是平面，我们可以组合二阶多项式中的特征，使得模型看起来像这样：