本文介绍如何利用sklearn库进行数据拟合和线性回归，包括生成多项式方程、评估模型预测结果（如标准误差、R²）、调整参数以修正模型（如Lasso、岭回归），并通过Pipeline构建工作流来管理模型。
在上一篇讲了最小二乘法实现线性回归的原理，实现方面用的是python的static.optimize中的leastsq求出拟合函数。本篇通过sklearn库中的模块来进行拟合和线性回归，并计算拟合误差。
对于线性回归来说，无论是用什么工具实现，步骤都是大同小异的：
- 初始化多项式方程
- 对多项式方程进行多次迭代，通过最小二乘法求出使平方损失函数最小情况下的拟合方程。
- 对模型预测结果进行评估
- 调整参数修正模型
生成多项式方程
from sklearn.pipeline import Pipeline
clf = PolynomialFeatures(degree=3)
其中，degree参数为多项式的阶数
线性回归
from sklearn import linear_model
clf = linear_model.LinearRegression()
评估模型预测结果（误差分析）
- 标准误差（Standard Error），也称为均方根误差（Root Mean Square Error）。StdError(ypredict,ytrue)=∑1n(ypredicti−ytruei)2n,i∈(1,n)StdError(y_{predict}, y_{true}) =\sqrt{\frac{\sum_{1}^{n}(y_{predict_i} - y_{true_i})^2}{n}}, i∈(1,n)StdError(ypredict,ytrue)=n∑1n(ypredicti−ytruei)
最低0.47元/天 解锁文章
扫一扫
1531
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
