本文主要是介绍Linear Regression及各种线型回归在正则化中的应用，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！
Linear Regression
线性回归：
from sklearn.linear_model import LinearRegression
lr = LinearRegression(fit_intercept=True)
lr.fit(x, y)
p = map(lr.predict, x)e = p - y
total_error = np.sum(e*e)
rmse_train = np.sqrt(total_error / len(p))交叉验证：
from sklearn.cross_validation import Kfold
kf = Kfold(len(x), n_folds=10)
err = 0
for train, test in kf:lr.fit(x[train], y[train])p = map(lr.predict, x[test])e = p - y[test]err += np.sum(e*e)
rmse_10cv = np.sqrt(err/len(x))普通的最小二乘法学习时间非常短：
- 小模型快速实现
- 学习曲线、误差分析、上限分析
假设以平方差为损失函数，则优化目标为：
minw∑i=1m(yi−wTxi)2 m i n w ∑ i = 1
这篇关于Linear Regression及各种线型回归在正则化中的应用的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！
