Scikit Learn 简明教程

Scikit Learn - Linear Modeling

本章将助你了解 Scikit-Learn 中的线性建模。让我们从了解 Sklearn 中的线性回归开始。

以下表格列出了 Scikit-Learn 提供的各种线性模型 −

Sr.No

Model & Description

1

Linear Regression 这是研究因变量 (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

Logistic Regression 逻辑回归,尽管其名称如此,但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,它用于估算离散值 (0 或 1,是/否,真/假)。

3

Ridge Regression 岭回归或 Tikhonov 正则化是一种执行 L2 正则化的正则化技术。它通过添加与系数的幅值平方的罚金 (收缩量) 等效的惩罚来修改损失函数。

4

Bayesian Ridge Regression 贝叶斯回归允许通过使用概率分布器而非点估计值来构建线性回归,以一种自然机制来从不足够的数据或分布不良的数据中存活。

5

LASSO LASSO 是一种执行 L1 正则化的正则化技术。它通过添加与系数绝对值的和等效的罚金 (收缩量) 来修改损失函数。

6

Multi-task LASSO 它允许联合拟合多重回归问题,强迫所选特征对于所有回归问题来说是相同的,即所谓的任务。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,该模型联合估算多个回归问题的稀疏系数。

7

Elastic-Net Elastic-Net 是一种正则化回归方法,它线性组合 Lasso 和 Ridge 回归方法的两个惩罚,即,L1 和 L2。当存在多个相关特征时,此方法很有用。

8

Multi-task Elastic-Net 此 Elastic-Net 模型能够联合拟合多个回归问题,强制为所有回归问题(也称为任务)选择相同的特征。