sklearn.linear_model.LinearRegression()介绍

sklearn.linear_model.LinearRegression()是scikit-learn中的一个类，用于线性回归模型的建立和预测。线性回归是机器学习中最简单和基础的算法之一，它试图通过建立一个最佳拟合直线（或者超平面）来建立因变量和一个或多个自变量之间的关系。它适用于解决回归问题。

使用方法

首先需要导入该类：

from sklearn.linear_model import LinearRegression

然后，可以直接创建LinearRegression对象：

lr = LinearRegression()

此时，lr对象就具有了线性回归模型的功能，可以对给定的数据进行拟合和预测。

方法和属性

在对象创建之后，我们通常需要对其进行训练和预测。下面是一些常用的LinearRegression方法和属性：

方法

• fit(X, y[, sample_weight])：用于训练模型。X是特征矩阵，y是标签，sample_weight是每个样本的权重。该函数返回模型本身。

lr.fit(X_train, y_train)

• predict(X)：用于预测数据。X是特征矩阵。该函数返回预测值。

y_pred = lr.predict(X_test)

属性

• coef_：模型的系数，即拟合线/超平面的斜率。

print(lr.coef_)

• intercept_：模型的截距，即拟合线/超平面与y轴的交点。

print(lr.intercept_)

• score(X, y[, sample_weight])：模型的性能评价指标。该函数返回$R^2$值，用于衡量模型对数据的拟合度。

score = lr.score(X_test, y_test)

示例代码

下面是一个简单的线性回归示例，用于预测房价：

import numpy as np
from sklearn.linear_model import LinearRegression

# 导入数据，特征为面积，标签为房价
X = np.array([[60], [70], [80], [90], [100]])
y = np.array([130, 150, 170, 190, 210])

# 创建模型对象，训练模型
lr = LinearRegression()
lr.fit(X, y)

# 输出模型系数和截距
print(lr.coef_)
print(lr.intercept_)

# 对新数据进行预测
X_new = np.array([[110]])
y_pred = lr.predict(X_new)
print(y_pred)

该代码将输出以下内容：

[20.]
110.00000000000001
[230.]

即模型系数为20，截距为110，对于110平米的房子，预测其房价为230万元。