©2020-2024 ioDraw All rights reserved
最近这段时间学习了机器学习中的线性模型，用自己定义的最小二乘法函数和sklearn中的linear_model方法完成了几个小实例，具体就是通过我们班同学的各科成绩来预测最后的平均绩点模型，但不清楚sklearn库中的源码就直接调用都有点不好意思了~~在这里主要还是想记录一下我对于LinearRegression的理解。
打开pycharm，安装好scikit-learn库后在Python-Package中可以找到scikit-learn，点开它会显示此库的一些信息。
点击文档-->Regression，官方文档里详尽写了sklearn中的各种模型的用法和实例。
这里不多赘述，直接上源码！！！
from sklearn import linear_model
新建python文件后输入上行代码
，按住Ctrl键左键点击linear_model就会进入_init_.py，在里面找到'LinearRegression'，同样按住Ctrl键左键点击进入_base.py，此时看到的就是sklearn中线性回归模型的源码。
#################################从这里开始看 #################################
class LinearRegression(MultiOutputMixin, RegressorMixin, LinearModel):
注释部分写有
一、简介
普通最小二乘法线性回归。
线性回归拟合一个系数为w = (w1，…wp)中观测目标之间的残差平方和（剩余平方和）最小数据集和线性逼近预测的目标。
二、参数(Parameters)
fit_intercepe：是否计算模型的截距，截距就是公式中的“b”，布尔类型，默认值为True
normalize：是否标准化，标准化可以使不同的特征具有相同的维度（尺度），布尔类型，默认值为False
copy_X：是否复制x，否则得出的x值将被正则化覆盖，布尔类型，默认值为True
n_jobs：用于计算的核数，设为-1时最快，int类型，默认值为1
positive：强制系数为正数。仅支持密集阵列。布尔类型，默认值为False
源码如下：
@_deprecate_positional_args def __init__(self, *, fit_intercept=True,
normalize=False, copy_X=True, n_jobs=None, positive=False): self.fit_intercept
= fit_intercept self.normalize = normalize self.copy_X = copy_X self.n_jobs =
n_jobs self.positive = positive
三、属性（Attributes）
coef_:线性回归问题的系数，即公式中各特征x前的系数w。
rank_:矩阵X的秩，仅当' X '密集时可用
singular_：数组的形状(min(X, y))' X '的奇异值。仅当' X '密集时可用。
intercept_：线性模型中的独立项。截距b（或），只能为数组型（array）和浮点数（float）型
属性我们可以这样用：
model = linear_model.LinearRegression() model.fit(x_data, y_data)
print("系数w：", model.coef_) print("偏置项b：", model.intercept_)
运行代码后可在运行栏中观察到系数和偏置项的结果(有几个特征就有几个系数w)
系数w： [0.03835515 0.03039367] 偏置项b： -2.4193839868128992
今天就为大家分享到这里，学习阶段，第一次写文章，不知道效果如何，有不足望指正！！！