Sklearn Common Attributes and Functions   2018-01-05


今天来看 Model 的属性和功能, 这里以 LinearRegressor 为例,所以先导入包,数据,还有模型

from sklearn import datasets
from sklearn.linear_model import LinearRegression

loaded_data = datasets.load_boston()

data_X = loaded_data.data
data_y = loaded_data.target

model = LinearRegression()

训练和预测

接下来 model.fitmodel.predict 就属于 Model 的功能,用来训练模型,用训练好的模型预测

model.fit(data_X, data_y)

print(model.predict(data_X[:4, :]))
[ 30.00821269  25.0298606   30.5702317   28.60814055]

参数和分数

model.coef_model.intercept_ 属于 Model 的属性, 例如对于 LinearRegressor 这个模型,这两个属性分别输出模型的斜率和截距(与y轴的交点)

print(model.coef_)
print(model.intercept_)
[ -1.07170557e-01   4.63952195e-02   2.08602395e-02   2.68856140e+00
  -1.77957587e+01   3.80475246e+00   7.51061703e-04  -1.47575880e+00
   3.05655038e-01  -1.23293463e-02  -9.53463555e-01   9.39251272e-03
  -5.25466633e-01]
36.4911032804

model.get_params() 也是功能,它可以取出之前定义的参数

print(model.get_params())
{'copy_X': True, 'fit_intercept': True, 'n_jobs': 1, 'normalize': False}

model.score(data_X, data_y) 它可以对 ModelR^2 的方式进行打分,输出精确度。
关于 R^2 coefficient of determination 可以查看 Coefficient_of_determination

print(model.score(data_X, data_y)) # R^2 coefficient of determination
0.740607742865

按标准的来说, 是要将数据分成训练数据和测试数据, 这里不是一个完整的测试, 只是展示 model 里面的一些属性. 正确率很少能真正100%, 取决于拟合度怎么样. 拟合度好, 正确率高

Reference


分享到:


  如果您觉得这篇文章对您的学习很有帮助, 请您也分享它, 让它能再次帮助到更多的需要学习的人. 您的支持将鼓励我继续创作 !
本文基于署名4.0国际许可协议发布,转载请保留本文署名和文章链接。 如您有任何授权方面的协商,请邮件联系我。

Contents

  1. 训练和预测
  2. 参数和分数
  3. Reference