本篇内容介绍了“sklearn常用的API参数解析：sklearn.linear_model.LinearRegression”的有关知识，在实际案例的操作过程中，不少人都会遇到这样的困境，接下来就让小编带领大家学习一下如何处理这些情况吧！希望大家仔细阅读，能够学有所成！
sklearn.linear_model.LinearRegression
调用
sklearn.linear_model.LinearRegression(fit_intercept=True, normalize=False, copy_X=True, n_jobs=None)
Parameters
fit_intercept
释义:是否计算该模型的截距。
设置:bool型,可选,默认True,如果使用中心化的数据，可以考虑设置为False,不考虑截距。
normalize
释义:是否对数据进行标准化处理
设置:bool型,可选,默认False,建议将标准化的工作放在训练模型之前,通过设置sklearn.preprocessing.StandardScaler来实现，而在此处设置为false当fit_intercept设置为false的时候，这个参数会被自动忽略。如果为True,回归器会标准化输入参数：减去平均值，并且除以相应的二范数
copy_X
释义:是否对X复制
设置:bool型、可选、默认True,如为false，则即经过中心化，标准化后，把新数据覆盖到原数据上
n_jobs
释义:计算时设置的任务个数,这一参数的对于目标个数>1（n_targets>1）且足够大规模的问题有加速作用
设置:int or None, optional, 默认None,如果选择-1则代表使用所有的CPU。
Attributes
coef_
释义:对于线性回归问题计算得到的feature的系数
输出:如果输入的是多目标问题，则返回一个二维数组(n_targets, n_features)；如果是单目标问题，返回一个一维数组 (n_features,)rank_
释义:矩阵X的秩，仅在X为密集矩阵时有效
输出:矩阵X的秩
singular_
释义:矩阵X的奇异值，仅在X为密集矩阵时有效
输出:array of shape (min(X, y),)
intercept_
释义:截距，线性模型中的独立项
输出:如果fit_intercept = False，则intercept_为0.0
Methods
fit(self, X, y[, sample_weight])
训练模型，，sample_weight为每个样本权重值，默认None
get_params(self[, deep])
deep默认为True，返回一个字典，键为参数名，值为估计器参数值
predict(self, X)
模型预测，返回预测值
score(self, X, y[, sample_weight])
模型评估，返回R^2系数，最优值为1，说明所有数据都预测正确
set_params(self, **params)
设置估计器的参数，可以修改参数重新训练
“sklearn常用的API参数解析：sklearn.linear_model.LinearRegression”的内容就介绍到这里了，感谢大家的阅读。如果想了解更多行业相关的知识可以关注本站网站，小编将为大家输出更多高质量的实用文章！
