5-10 线性回归的可解释性和更多思考

import matplotlib.pyplot as plt
from sklearn import datasets

boston = datasets.load_boston()
X = boston.data
y = boston.target
X = X[y < 50.0]
y = y[y < 50.0]

from sklearn.linear_model import LinearRegression
lin_reg = LinearRegression()
lin_reg.fit(X, y)

lin_reg.coef_

输出结果：

怎么解释这些数字？

系数的正负代表这个特征与房价是正相关还是负相关
系数的绝对值大小代码这个特征对房价的影响程度
输入：boston.feature_names[np.argsort(lin_reg.coef_)]
输出：
```
array(['NOX', 'DIS', 'PTRATIO', 'LSTAT', 'CRIM', 'INDUS', 'AGE', 'TAX',
     'B', 'ZN', 'RAD', 'CHAS', 'RM'], dtype='<U7')
```

即使使用线性回归法预测的模型不够好，观察的它的系数对分析问题也是有帮助的。

线性回归算法的总结

PreviousChapter5 NextChapter5

Last updated 4 years ago