簡介
scikit-learn（簡稱sklearn）是目前最受歡迎，也是功能最強大的一個用於機器學習的Python庫件。它廣泛地支持各種分類、聚類以及迴歸分析方法比如支持向量機、隨機森林、DBSCAN等等，由於其強大的功能、優異的拓展性以及易用性，目前受到了很多數據科學從業者的歡迎，也是業界相當著名的一個開源項目之一。
運行scikit-learn的線性模型
scikit-learn的線性迴歸算法使用的是最小二乘法來實現的。代碼如下：
擬合完畢後，我們看看我們的需要的模型係數結果：
輸出如下：
這樣我們就得到了在步驟1裡面需要求得的5個值。也就是說PE和其他4個變量的關係如下：
PE=447.06297099-1.97376045*AT-0.23229086*V+0.0693515*AP-0.15806957*RH
模型評價
評估我們的模型的好壞程度，對於線性迴歸來說，我們一般用均方差（Mean Squared Error, MSE）或者均方根差(Root Mean Squared Error, RMSE)在測試集上的表現來評價模型的好壞。
我們看看我們的模型的MSE和RMSE，代碼如下：
輸出如下：
得到了MSE或者RMSE，如果我們用其他方法得到了不同的係數，需要選擇模型時，就用MSE小的時候對應的參數。
比如這次我們用AT， V，AP這3個列作為樣本特徵。不要RH， 輸出仍然是PE。代碼如下：
輸出如下：
可以看出，去掉RH後，模型擬合的沒有加上RH的好，MSE變大了。
分享到:
閱讀更多 咱小二 的文章
