sklearn-例程–Plotting Cross-Validated Predictions

对于sklearn我也是第一次接触到而已，机器学习的算法也只是大概的听过一些名词。这次写博客学习的目的有如下几个：

1. 学习sklearn的使用方式，各种函数的意义和应用场合。
2. 了解机器学习的具体算法，以及不同的算法用于什么场合。
3. 似乎还有一个模型的概念，我所不清楚的，那么最后一个就是在不断的学习过程中，了解这些还不清楚的东西

现在开始我们的第一个例程的学习。

代码如下

from sklearn import datasetsfrom sklearn.model_selection import cross_val_predictfrom sklearn import linear_modelimport matplotlib.pyplot as pltlr = linear_model.LinearRegression()boston = datasets.load_boston()y = boston.targetpredicted = cross_val_predict(lr,boston.data,y,cv=10)fig,ax = plt.subplots()ax.scatter(y,predicted)ax.plot([y.min(),y.max()],[y.min(),y.max()],'k--',lw=4)ax.set_xlabel('measured')ax.set_ylabel('predicted')plt.show()

代码梳理

• import :用于导入其他模块代码
• as：别名，有时候模块名太长，可以在导入的时候，使用as指定一个别名
• lr = linear_model.LinearRegression()：线性回归算法。见
• cross_val_predict：

• plt.subplots：

  具体分析

  LinearRegression，线性回归算法。

  假设目标值和参数之间存在线性关系，即
  

  y(w,x)=w0+w1+....+wnxn
  
  那么我们的目标就是找出一组w，使得
  
  min||Xw−y||2
  
  例如

from sklearn import linear_modellr = linear_model.LinearRegression()lr.fit([[0,0],[1,1],[2,2]],[0,1,1.4])print(lr.coef_)

线性回归算法在X矩阵的列之间存在相关性时，会对一些随机的扰动变得敏感？（不是很确定） ，所以后面还会有一些其他的线性回归算法讲解，具体见下一章。

cross_val_predict：交叉验证预测

待研究。。