Scikit Learn - 线性建模

本章将帮助您学习 Scikit-Learn 中的线性建模。让我们首先了解什么是 Sklearn 中的线性回归。

下表列出了 Scikit-Learn 提供的各种线性模型 -

先生编号	型号及说明
1	线性回归它是研究因变量 (Y) 与给定的一组自变量 (X) 之间关系的最佳统计模型之一。
2	逻辑回归逻辑回归，尽管它的名字如此，它是一种分类算法而不是回归算法。基于给定的一组自变量，它用于估计离散值（0 或 1、是/否、真/假）。
3	岭回归岭回归或吉洪诺夫正则化是执行 L2 正则化的正则化技术。它通过添加相当于系数大小平方的惩罚（收缩量）来修改损失函数。
4	贝叶斯岭回归贝叶斯回归通过使用概率分布而不是点估计来制定线性回归，允许自然机制应对数据不足或分布不良的数据。
5	套索 LASSO 是执行 L1 正则化的正则化技术。它通过添加相当于系数绝对值总和的惩罚（收缩量）来修改损失函数。
6	多任务套索它允许联合拟合多个回归问题，强制所选特征对于所有回归问题都相同，也称为任务。Sklearn 提供了一个名为 MultiTaskLasso 的线性模型，使用混合 L1、L2 范数进行正则化训练，联合估计多个回归问题的稀疏系数。
7	弹性网 Elastic-Net 是一种正则化回归方法，它线性组合了 Lasso 和 Ridge 回归方法的 L1 和 L2 惩罚。当存在多个相关特征时它很有用。
8	多任务弹性网络它是一个弹性网络模型，允许联合拟合多个回归问题，强制所有回归问题（也称为任务）的所选特征相同

先生编号	型号及说明
1	线性回归它是研究因变量 (Y) 与给定的一组自变量 (X) 之间关系的最佳统计模型之一。
2	逻辑回归逻辑回归，尽管它的名字如此，它是一种分类算法而不是回归算法。基于给定的一组自变量，它用于估计离散值（0 或 1、是/否、真/假）。
3	岭回归岭回归或吉洪诺夫正则化是执行 L2 正则化的正则化技术。它通过添加相当于系数大小平方的惩罚（收缩量）来修改损失函数。
4	贝叶斯岭回归贝叶斯回归通过使用概率分布而不是点估计来制定线性回归，允许自然机制应对数据不足或分布不良的数据。
5	套索 LASSO 是执行 L1 正则化的正则化技术。它通过添加相当于系数绝对值总和的惩罚（收缩量）来修改损失函数。
6	多任务套索它允许联合拟合多个回归问题，强制所选特征对于所有回归问题都相同，也称为任务。Sklearn 提供了一个名为 MultiTaskLasso 的线性模型，使用混合 L1、L2 范数进行正则化训练，联合估计多个回归问题的稀疏系数。
7	弹性网 Elastic-Net 是一种正则化回归方法，它线性组合了 Lasso 和 Ridge 回归方法的 L1 和 L2 惩罚。当存在多个相关特征时它很有用。
8	多任务弹性网络它是一个弹性网络模型，允许联合拟合多个回归问题，强制所有回归问题（也称为任务）的所选特征相同