Scikit Learn - 线性模型

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

下表列出了 Scikit-Learn 提供的各种线性模型：

序号	模型及描述
1	线性回归它是最好的统计模型之一，研究因变量 (Y) 与一组给定的自变量 (X) 之间的关系。
2	逻辑回归逻辑回归，顾名思义，是一种分类算法，而不是回归算法。根据一组给定的自变量，它用于估计离散值（0 或 1，是/否，真/假）。
3	岭回归岭回归或 Tikhonov 正则化是一种正则化技术，它执行 L2 正则化。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允许使用概率分布器而不是点估计来制定线性回归，从而提供了一种自然机制来应对数据不足或数据分布不佳的情况。
5	LASSO LASSO 是一种执行 L1 正则化的正则化技术。它通过添加相当于系数绝对值之和的惩罚（收缩量）来修改损失函数。
6	多任务 LASSO 它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）的选择特征相同。Sklearn 提供了一个名为 MultiTaskLasso 的线性模型，它使用混合 L1、L2 范数进行正则化训练，可以联合估计多个回归问题的稀疏系数。
7	弹性网络弹性网络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 两种惩罚。当存在多个相关特征时，它非常有用。
8	多任务弹性网络这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）的选择特征相同。

打印页面

广告