mars.learn.linear_model.LinearRegression

class mars.learn.linear_model.LinearRegression(*, fit_intercept=True, normalize=False, copy_X=True, positive=False)

普通最小二乘线性回归。

线性回归（LinearRegression）拟合一个具有系数 w = (w1, …, wp) 的线性模型，以最小化数据集中观察到的目标与线性近似预测的目标之间的残差平方和。

Parameters

• fit_intercept (bool, default=True) – 是否计算此模型的截距。如果设置为 False，将在计算中不使用截距 （即数据预期是中心化的）。

• normalize (bool, default=False) – 当 fit_intercept 设置为 False 时，此参数将被忽略。 如果为 True，回归变量 X 在回归之前将通过 减去均值并除以 l2-范数进行规范化。 如果您希望标准化，请在调用 fit 在具有 normalize=False 的估计器之前使用 StandardScaler。

• copy_X (bool, default=True) – 如果为真，X 将被复制；否则，它可能会被覆盖。

• positive (bool, default=False) – 当设置为 True 时，强制系数为正。这 选项仅支持稠密数组。

coef_

线性回归问题的估计系数。 如果在拟合过程中传递了多个目标（y 2D），这是一个形状为 (n_targets, n_features) 的 2D 数组，而如果只传递了一个目标，这是一个长度为 n_features 的 1D 数组。

Type

形状为 (n_features, ) 或 (n_targets, n_features) 的数组

rank_

矩阵 X 的秩。仅在 X 为稠密时可用。

Type

int

singular_

X的奇异值。仅在X为稠密时可用。

Type

形状为 (min(X, y),) 的数组

intercept_

线性模型中的独立项。如果fit_intercept = False，则设置为0.0。

Type

float 或形状为 (n_targets,) 的数组

n_features_in_

在fit过程中看到的特征数量。

Type

int

另请参阅

Ridge

岭回归通过对系数的大小施加l2正则化的惩罚，解决了普通最小二乘法的一些问题。

Lasso

套索是一个线性模型，通过l1正则化估计稀疏系数。

ElasticNet

Elastic-Net 是一种线性回归模型，通过对系数进行 l1 和 l2 范数正则化来训练。

__init__(*, fit_intercept=True, normalize=False, copy_X=True, positive=False)

方法

__init__(*[, fit_intercept, normalize, ...])
fit(X, y[, sample_weight])	拟合线性模型。
get_params([deep])	获取该估计器的参数。
predict(X)	使用线性模型进行预测。
score(X, y[, sample_weight])	返回预测的决定系数 \(R^2\)。
set_params(**params)	设置此估计器的参数。