线性回归－scikit-learn

### 使用 Scikit-learn 构建和应用线性回归模型 以下是关于如何使用 `scikit-learn` 库来实现线性回归模型的详细说明，包括数据准备、模型训练、预测以及参数解释。 #### 数据准备 为了构建线性回归模型，首先需要准备好输入特征矩阵 \(X\) 和目标变量向量 \(y\)。通常情况下，可以利用 NumPy 或 Pandas 来处理这些数据[^1]。 ```python import numpy as np from sklearn.model_selection import train_test_split # 创建样本数据集 X (特征) 和 y (标签) X = np.array([[1], [2], [3], [4], [5]]) y = np.array([2, 4, 6, 8, 10]) # 将数据划分为训练集和测试集 X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42) ``` #### 模型初始化与训练 在 `scikit-learn` 中，可以通过导入 `LinearRegression` 类并实例化对象来进行模型创建。随后调用 `.fit()` 方法即可完成模型训练过程[^2]。 ```python from sklearn.linear_model import LinearRegression # 初始化线性回归模型 model = LinearRegression() # 训练模型 model.fit(X_train, y_train) ``` #### 预测与评估 经过训练后的模型能够用于新数据上的预测操作。同时还可以计算一些指标比如均方误差 MSE 或决定系数 R² 来衡量模型性能。 ```python from sklearn.metrics import mean_squared_error, r2_score # 对测试集进行预测 predictions = model.predict(X_test) # 输出预测结果 print(f'Predictions: {predictions}') # 计算MSE和R²得分 mse = mean_squared_error(y_test, predictions) r2 = r2_score(y_test, predictions) print(f'Mean Squared Error: {mse}') print(f'R-squared Score: {r2}') ``` #### 参数说明 - **fit_intercept**: 布尔值，默认为 True。如果设置为 False，则表示强制不拟合截距项。 - **normalize**: 已弃用，在未来版本中会被移除。建议手动标准化数据而不是依赖此选项。 - **copy_X**: 默认为 True，意味着会复制传入的数据以防被修改；当设为 False 并且 fit_intercept=False 的时候可能会节省内存开销。 - **n_jobs**: 整数或者 None，默认为 None。指定用于计算的最大作业数量。仅适用于大规模问题中的多核加速场景。 ---