目录Python全系列 教程
3567个小节阅读：5930.6k
目录
鸿蒙应用开发
C语言快速入门
JAVA全系列 教程
面向对象的程序设计语言
Python全系列 教程
Python3.x版本，未来主流的版本
人工智能 教程
顺势而为，AI创新未来
大厂算法 教程
算法，程序员自我提升必经之路
C++ 教程
一门通用计算机编程语言
微服务 教程
目前业界流行的框架组合
web前端全系列 教程
通向WEB技术世界的钥匙
大数据全系列 教程
站在云端操控万千数据
AIGC全能工具班
A A
White Night
sklearn中实现线性回归使用sklearn.linear_model.LinearRegression
根据波士顿历史房价数据建立回归模型，并检测模型准确率
ximport numpy as npimport matplotlib.pyplot as pltfrom sklearn import datasets
boston = datasets.load_boston() # 加载波士顿房子数据集print(boston.DESCR) # 查看数据描述X = boston.data # 特征y = boston.target # 标签
plt.scatter(X[:,5],y) # 从图中发现，房价超过50万的样本可能有异常plt.show()
X = X[y<50.0] # 选择房价小于50万的样本特征y = y[y<50.0] # 选择房价小于50万的样本标签
from sklearn.model_selection import train_test_split
# 拆分数据集X_train,X_test,y_train,y_test = train_test_split(X,y,random_state=666)
# 特征标准化处理from sklearn.preprocessing import StandardScaler
std = StandardScaler()# 对训练样本集进行特征标准化处理X_train_standard = std.fit_transform(X_train)# 对测试样本集进行特征标准化处理，要注意这里不能fit了！X_test_standard = std.transform(X_test)
from sklearn.linear_model import LinearRegressionlin_reg = LinearRegression()# 使用标准化后的训练样本集进行拟合学习（建立合适的线性回归模型）lin_reg.fit(X_train_standard,y_train) # 在测试集上测试模型的优劣，使用的是R^2标准print(lin_reg.score(X_test_standard,y_test))1.实现特征标准化处理，使用sklearn中的：
A train_test_split
B StandardScaler
C normalize
D 以上均不正确
2.实现线性回归，使用sklearn中的：
A train_test_split
B StandardScaler
C LinearRegression
D 以上均不正确
1=>B 2=>C