机器学习线性模型训练：线性回归和逻辑回归.docxVIP

??

?

??

机器学习线性模型训练：线性回归和逻辑回归

?

??

?

?

?

?

?

?

?

???

?

?

?

?

?

?

?

由于高等数学底子太差的原因，机器学习无法深入学习下去，只能做一个简单的尝试者，甚至连调优也未必能算的上，不过这样也好，可以把重心放到对业务的理解上，以及业务和模型的选择上。

线性模型包括了传统的线性回归、岭回归、Lasso回归，主要用于连续值的预测；逻辑回归虽然也是回归，但却是一种分类方法；LDA线性判别分析，则是一种降维方法；多项式回归，是使用线性模型训练数据的非线性函数。

总的来说，尝试着回顾一下，也挺有意思的。

importmatplotlib.pyplotasplt

importnumpyasnp

fromsklearnimportdatasets,linear_model,discriminant_analysis,model_selecTIon,preprocessing

fromsklearn.pipelineimportmake_pipeline,Pipeline

defload_data():

diabetes=datasets.load_diabetes()

#datasets.load_diabetes()定义

#C:\Python\Python37\Lib\site-packages\sklearn\datasets\_base.py

#returnBunch(data=data,target=target,DESCR=fdescr,

#feature_names=[age,sex,bmi,bp,

#s1,s2,s3,s4,s5,s6],

#data_filename=data_filename,

#target_filename=target_filename)

#print(diabetes)

#得到一个字典

#print(diabetes.keys())

#dict_keys([data,target,DESCR,feature_names,data_filename,target_filename])

#print(diabetes[data].shape)

#(442,10)

#print(diabetes[target])

#print(diabetes[target].shape)

#(442,)

#print(diabetes[feature_names])

#[age,sex,bmi,bp,s1,s2,s3,s4,s5,s6]

#print(diabetes[data_filename])

#C:\Python\Python37\lib\site-packages\sklearn\datasets\data\diabetes_data.csv.gz

#压缩包中有个X.csv文件，数据格式如下

#3.81E-025.07E-026.17E-022.19E-02-4.42E-02-3.48E-02-4.34E-02-2.59E-031.99E-02-1.76E-02

#-1.88E-03-4.46E-02-5.15E-02-2.63E-02-8.45E-03-1.92E-027.44E-02-3.95E-02-6.83E-02-9.22E-02

#8.53E-025.07E-024.45E-02-5.67E-03-4.56E-02-3.42E-02-3.24E-02-2.59E-032.86E-03-2.59E-02

#print(diabetes[target_filename])

#C:\Python\Python37\lib\site-packages\sklearn\datasets\data\diabetes_target.csv.gz

#压缩包中有个y.csv文件，数据格式如下

#1.51E+02

#7.50E+01

#1.41E+02

returnmodel_se