线性回归-API

标签：mda   reg   efault   分类   bsp   vsc   数据   --   为什么   

• 线性回归的定义
  • 利用回归方程(函数)对一个或多个自变量(特征值)和因变量(目标值)之间关系进行建模的一种分析方式
线性回归的分类
• 线性关系
• 非线性关系

• 损失函数
  • 最小二乘法
线性回归优化方法
• 正规方程
• 梯度下降法
正规方程 -- 一蹴而就
• 利用矩阵的逆,转置进行一步求解
• 只是适合样本和特征比较少的情况
• 梯度下降法 — 循序渐进
  • 梯度的概念
    • 单变量 -- 切线
    • 多变量 -- 向量
  • 梯度下降法中关注的两个参数
    • α -- 就是步长
      • 步长太小 -- 下山太慢
      • 步长太大 -- 容易跳过极小值点(*)
    • 为什么梯度要加一个负号
      • 梯度方向是上升最快方向,负号就是下降最快方向
• 梯度下降法和正规方程选择依据
  • 小规模数据：
    • 正规方程：LinearRegression(不能解决拟合问题)
    • 岭回归
  • 大规模数据：
    • 梯度下降法：SGDRegressor

• sklearn.linear_model.LinearRegression(fit_intercept=True)
  • 通过正规方程优化
  • 参数
    • fit_intercept：是否计算偏置
  • 属性
    • LinearRegression.coef_：回归系数
    • LinearRegression.intercept_：偏置
• sklearn.linear_model.SGDRegressor(loss="squared_loss", fit_intercept=True, learning_rate =‘invscaling‘, eta0=0.01)
  • SGDRegressor类实现了随机梯度下降学习，它支持不同的loss函数和正则化惩罚项来拟合线性回归模型。
  • 参数：
    • loss:损失类型
      • loss=”squared_loss”: 普通最小二乘法
    • fit_intercept：是否计算偏置
    • learning_rate : string, optional
      • 学习率填充
      • ‘constant‘: eta = eta0
      • ‘optimal‘: eta = 1.0 / (alpha * (t + t0)) [default]
      • ‘invscaling‘: eta = eta0 / pow(t, power_t)
        • power_t=0.25:存在父类当中
      • 对于一个常数值的学习率来说，可以使用learning_rate=’constant’ ，并使用eta0来指定学习率。
  • 属性：
    • SGDRegressor.coef_：回归系数
    • SGDRegressor.intercept_：偏置

线性回归-API

标签：mda   reg   efault   分类   bsp   vsc   数据   --   为什么   

原文地址：https://www.cnblogs.com/mujun95/p/12040405.html