线性回归和岭回归模型分析以及保存与加载模型

首先来个最简单的线性回归的例子：

sklearn.linear_model LinearRegression

x=[[,],
   [,],
   [,],
   [,],
   [,],
   [,],
   [,],
   [,]]

y=[,,,,,,,]

e=()
e.(x,y)

coef =e.coef_
(,coef)

(,e.([[,]]))

然后来个 详细点的  线性回归，岭回归例子，包括 模型的保存和加载：

sklearn.linear_model LinearRegression, Ridge, RidgeCV, Lasso
sklearn.datasets load_boston
sklearn.model_selection train_test_split
sklearn.preprocessing StandardScaler
sklearn.metrics mean_squared_error
joblib


():
    boston = ()
    x_train, x_test, y_train, y_test, = (boston.data, boston.target, =)

    transfer = ()
    x_train = transfer.(x_train)
    x_test = transfer.(x_test)

    e = ()
    e.(x_train, y_train)

    y_pre = e.(x_test)
    (, y_pre)

    score = e.(x_test, y_test)
    (, score)

    ret = (y_test, y_pre)
    (, ret)


():
    boston = ()
    x_train, x_test, y_train, y_test, = (boston.data, boston.target, =)

    transfer = ()
    x_train = transfer.(x_train)
    x_test = transfer.(x_test)

    e = (=(, , , , ))  e.(x_train, y_train)

    y_pre = e.(x_test)
    (, y_pre)

    score = e.(x_test, y_test)
    (, score)

    ret = (y_test, y_pre)
    (, ret)


():
    boston = ()
    x_train, x_test, y_train, y_test, = (boston.data, boston.target, =,=)

    transfer = ()
    = transfer.(x_train)
    x_test = transfer.(x_test)

    e = joblib.()

    y_pre = e.(x_test)
    (, y_pre)

    score = e.(x_test, y_test)
    (, score)

    ret = (y_test, y_pre)
    (, ret)


__name__ == :
    ()

# 欠拟合： 训练 测试 都不好； 一般是学习数据的特征过少

# 过拟合： 训练不错，测试不好。一般是特征过多，存在嘈杂特征。   重新清洗数据，增加训练数据量，正则化，降低维度。

# L1正则化： 一些W的值直接为0；删除这些特征影响    lasso 回归

# L2正则化： 使得一些W的值很小，接近0 ，降低某些特征的影响，岭回归 Ridge

# ElasticNet 是 Ridge（r=0)  Lasso (r=1)的综合

# from sklearn.linear_model import Ridge,,Lasso

# 模型的保存和加载

# from sklearn.externals import joblib  已经取消   直接  import joblib  就行

# 训练完成  保存