广义线性模型（）

核心就是最小二乘法，最小二乘法简而言之就是求较小值，在极小值的时候值最小，一阶导数为0.

import matplotlib.pyplot as plt
import numpy as np
from sklearn import datasets, linear_model
from sklearn.metrics import mean_squared_error, r2_score

def main():
    # 加载 diabetes 数据集
    diabetes = datasets.load_diabetes()
    # 仅使用第一个特征
    diabetes_X = diabetes.data[:, np.newaxis, 2]
    # 把数据划分成训练集和测试集x
    diabetes_X_train = diabetes_X[:-20]
    diabetes_X_test = diabetes_X[-20:]
    # 把目标值划分成对应的训练集和测试集y
    diabetes_y_train = diabetes.target[:-20]
    diabetes_y_test = diabetes.target[-20:]
    # 实例化一个 线性回归类的模型
    regr = linear_model.LinearRegression()
    # 在训练集上训练模型
    regr.fit(diabetes_X_train, diabetes_y_train)
    # 在测试集上进行预测
    diabetes_y_pred = regr.predict(diabetes_X_test)
    # 线性模型的系数
    print('Coefficients: \n', regr.coef_)
    # 均方误差
    print("Mean squared error: %.2f"
          % mean_squared_error(diabetes_y_test, diabetes_y_pred))
    # 解释方差: 1 代表完美预测
    print('Variance score: %.2f' % r2_score(diabetes_y_test,        diabetes_y_pred))
    # 绘制输出结果
    plt.scatter(diabetes_X_test, diabetes_y_test,  color='orange')
    plt.plot(diabetes_X_test, diabetes_y_pred, color='red', linewidth=3)
    plt.xticks(())
    plt.yticks(())
    plt.show()
    
if __name__=='__main__':
    main()

运行结果