
上QQ阅读APP看书,第一时间看更新
2.2.3 多变量回归示例代码
下面依旧以sklearn进行多变量线性回归模型的建模与求解为例,完整代码见Book/Chapter02/02_boston_price_train.py文件。
1.导入数据集
这里直接导入了一个sklearn内置的Boston房价数据集为例进行演示,代码如下:

2.求解与结果
训练模型与输出相应的权重参数和预测值,代码如下:

根据上述代码便完成了对于多变量线性回归模型的建立与求解,同时也得出了各个特征所对应的权重参数,但由于不易对高维数据进行可视化,所以这里只能从预测的结果来评判模型的好坏,具体的模型评估指标将在第2.4节中进行介绍。