关于Scikit-learn机器学习的笔记——第三篇

视频教程：【莫烦Python】Scikit-learn (sklearn) 优雅地学会机器学习

接着上一次的代码，我们这次学习model的一些属性

运用model.coef_与model.intercept_输出这一模型的k值和与y轴交点
程序示例：

from sklearn import datasets##导入datasets
from sklearn.linear_model import LinearRegression##导入线性回归模型
import matplotlib.pyplot as plt##使用图像化工具

loaded_data=datasets.load_boston()##加载boston数据
data_X=loaded_data.data##数据值
data_y=loaded_data.target##目标值

modele=LinearRegression()##用线性回归模型
modele.fit(data_X,data_y)##data_X是训练数据输入，data_y是训练数据输出

print(modele.coef_) #例如样本是线性回归模型y=0.1x+0.3，则会输出k值也就是0.1
print(modele.intercept_) #输出模型与Y轴的交点，会输出0.3

输出结果：

[-1.08011358e-01  4.64204584e-02  2.05586264e-02  2.68673382e+00
 -1.77666112e+01  3.80986521e+00  6.92224640e-04 -1.47556685e+00
  3.06049479e-01 -1.23345939e-02 -9.52747232e-01  9.31168327e-03
 -5.24758378e-01]##这些数值就是boston的房屋面积、房屋价格、楼层等因素与这些数值相乘
36.45948838508989##与y轴交点

这两个值加在一起，就是整个线性回归模型

接下来我们输出定义模型的参数：

print(modele.get_params())

输出结果：

{'copy_X': True, 'fit_intercept': True, 'n_jobs': None, 'normalize': 'deprecated', 'positive': False}

对模型进行打分：

print(modele.score(data_X,data_y))#在线性回归中用R^2进行打分 coefficient of determination

输出结果：

0.7406426641094094##约为74%准确度