
342
|
第
5
章
数据的斜率和截距都在模型的拟合参数中,
Scikit-Learn
通常会在参数后面加一条下划线,
即
coef_ 和 intercept_:
In[4]: print("Model slope: ", model.coef_[0])
print("Model intercept:", model.intercept_)
Model slope: 2.02720881036
Model intercept: -4.99857708555
可以看到,拟合结果与真实值非常接近,这正是我们想要的。
然而,LinearRegression 评估器能做的可远不止这些——除了简单的直线拟合,它还可以
处理多维度的线性回归模型:
y
=
a
0
+
a
1
x
1
+
a
2
x
2
+
…
里面有多个
x
变量。从几何学的角度看,这个模型是拟合三维空间中的一个平面,或者是
为更高维度的数据点拟合一个超平面。
虽然这类回归模型的多维特性使得它们很难可视化,但是我们可以用
NumPy
的矩阵乘法
运算符创建一些数据,从而演示这类拟合过程:
In[5]: rng = np.random.RandomState(1)
X = 10 * rng.rand(100, 3)
y = 0.5 + np.dot(X, [1.5, -2., 1.])
model.fit(X, y)
print(model.intercept_)
print(model.coef_)
0.5
[ 1.5 -2. 1.]
其中
y
变量是由
3
个随机的 ...