【sklearn练习】model常用属性和功能

介绍

scikit-learn 中的机器学习模型（estimator）通常具有一组常用属性和功能，这些属性和功能可以用于训练、评估和使用模型。以下是一些常见的模型属性和功能：

常见属性：

1. coef_：对于线性模型（如线性回归、逻辑回归、支持向量机等），这个属性表示模型的系数（权重），用于描述特征的重要性。

2. intercept_：对于线性模型，这个属性表示模型的截距（偏置项）。

3. classes_：对于分类模型（如分类器），这个属性表示可能的类别或标签。

4. n_features_：表示特征的数量。

5. n_classes_：对于分类模型，表示类别的数量。

6. n_outputs_：对于多输出模型，表示输出的数量。

7. feature_importances_：对于树型模型（如随机森林、梯度提升树），这个属性表示特征的重要性分数。

常见方法和功能：

1. fit(X, y)：用于训练模型的方法，其中 X 是特征数据，y 是目标变量。

2. predict(X)：用于进行预测的方法，其中 X 是新样本的特征数据。

3. predict_proba(X)：对于分类模型，用于返回每个类别的预测概率的方法。

4. score(X, y)：用于评估模型性能的方法，其中 X 是特征数据，y 是真实的目标变量。具体的评分方法取决于模型类型，如准确率、均方误差等。

5. transform(X)：对于一些模型，如主成分分析（PCA）或特征选择器，用于对数据进行转换的方法。

6. **set_params(params)：用于设置模型的超参数（如正则化参数、深度等）的方法。

7. get_params()：用于获取模型的当前超参数设置的方法。

8. cross_val_score(estimator, X, y, cv)：用于进行交叉验证评估的函数，其中 estimator 是模型，X 和 y 是数据，cv 是交叉验证的策略。

9. GridSearchCV 和 RandomizedSearchCV：用于超参数优化的工具，可以通过网格搜索或随机搜索来寻找最佳的超参数组合。

10. pipeline.Pipeline：用于创建模型管道的类，可以将多个数据处理和模型训练步骤组合成一个流程。

这些属性和方法是 scikit-learn 中模型的一些常见特性和功能。具体的模型可能会有不同的属性和方法，因此在使用特定模型时，建议查阅相关的文档和示例以获取更多信息。根据模型类型和任务，还可以使用其他特定于模型的属性和方法来进一步探索和操作模型。

示例

import pandas as pd
import numpy as np
from sklearn import datasets
from sklearn.linear_model import LinearRegression
loaded_data = datasets.load_boston()
data_X = loaded_data.data
data_y = loaded_data.target
model = LinearRegression()
model.fit(data_X, data_y)
print(model.predict(data_X[:4, :]))
print(data_y[:4])
print(model.coef_)        ##获取y=kx+b中的k
print(model.intercept_)   ##获取y=kx+b中的b##返回训练时给model设置的参数，这里都是默认
print(model.get_params())
##输出为：{'copy_X': True, 'fit_intercept': True, 'n_jobs': None, 'normalize': 'deprecated', 'positive': False}##使用data_X和data_y查看模型的准确度
print(model.score(data_X, data_y))
##输出为：0.7406426641094094