sklearn机器学习:线性回归LinearRegression

LinearRegression类格式

sklearn.linear_model.LinearRegression (fit_intercept=True, normalize=False, copy_X=True,
n_jobs=None)

参数

fit_intercept
布尔值，可不填，默认为True
是否计算此模型的截距。如果设置为False，则不会计算截距
normalize
布尔值，可不填，默认为False
当fit_intercept设置为False时，将忽略此参数。如果为True，则特征矩阵X在进入回归之前将会被减去均值（中⼼心化）并除以L2范式（缩放）。如果希望进行标准化，请在fit数据之前使用preprocessing模块中的标准化专用类
StandardScaler
copy_X
布尔值，可不填，默认为True
如果为真，将在X.copy()上进行操作，否则，原本的特征矩阵X可能被线性回归影响并覆盖
n_jobs
整数或者None，可不填，默认为None
用于计算的作业数。只在多标签的回归和数据量足够大的时候才生效。除非None在joblib.parallel_backend上下文中，否则None统一表示为1。如果输入-1，则表示使用全部的CPU来进行计算。
线性回归的类仅有四个参数就可以完成一个完整的算法。并且，这些参数中并没有一个是必填的，更没有对模型有不可替代作用的参数。这说明，线性回归的性能，往往取决于数据本身，而并非是调参能力，线性回归也因此对数据有着很的要求。幸运的是，现实中大部分连续型变量之间，都存在着或多或少的线性联系。所以线性回归虽然简
单，却很强大。
顺便一提，sklearn中的线性回归可以处理多标签问题，只需要在fit的时候输入多维度标签就可以了。

代码实现

#导⼊需要的模块和库
from sklearn.linear_model import LinearRegression as LR
from sklearn.model_selection import train_test_split
from sklearn.model_selection import cross_val_score
from sklearn.datasets import fetch_california_housing as fch #加利福尼亚房屋价值数据集
import pandas as pd

#导入数据，探索数据
housevalue = fch() 
X = pd.DataFrame(housevalue.data) #放入DataFrame中便于查看
y = housevalue.target
X