基本流程

• 加载数据
• 切分数据集
• 训练
• 预测
• 评估
  值得注意的是，在对数据预处理的时候，没有归一化这一步骤，这是因为这个算法在实现过程中有没有归一化对结果没有影响

导包

将需要用到的库都导进来

import numpy as np
import matplotlib.pyplot as plt
from sklearn import datasets
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LinearRegression
from sklearn.preprocessing import StandardScaler

加载数据

所用数据是sklearn自带数据库中波士顿房价的数据

boston = datasets.load_boston()

X = boston.data
y = boston.target

因为数据可能会有一些问题，所以对数据进行预处理：

X = X[y < 50.0]
y = y[y < 50.0]

切分数据

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size = 0.2, random_state=66)

训练

lin = LinearRegression()
lin.fit(X_train, y_train)

对于线性模型，是有系数的，X矩阵中每个x都有一个系数，将其存储在实例中的coef_属性中；
每个模型函数还存在一个截距，存储在实例的intercept_属性中

lin.coef_
lin.intercept_

评估

因为只是想看结果的准确程度，并不想得到预测结果，所以可以直接调用对象实例的score()方法查看评估结果

lin.score(X_test, y_test)

而且经过测试可知，无论是否归一化数据，最后得到的结果是不变的

• 数学原理：
  score方法得到的值就是R^2的值

  
  

最后得到R平方值的范围一般是0到1之间，值越大表示算法的效果越好