Question

sklearn.linear_model中的LinearRegression对象可用于将数据点拟合到一条线。从下面的代码可以看出，fit方法有两个参数，即点列表和另一个y坐标列表。

from sklearn import linear_model
reg = linear_model.LinearRegression()
reg.fit ([[0, 0], [1, 1], [2, 2]], [0, 1, 2])

我的问题是：为什么第二个参数甚至需要？这不是多余的信息吗？

Answer 1

使数据点符合一行

它非常适合您的数据点。

fit方法有两个参数，即点列表和另一个y坐标列表。

X是您的数据样本，其中每一行都是数据点（一个样本，一个N维特征向量）。 y是数据点标签，每个数据点一个。 fit方法找到矩阵W（要素权重）和向量b（偏差），以便最小化预测yhat = Wx + b与真实y之间的距离。

E.g。如果您获得了坐标为[x,y]的二维数据点，并且您希望基于y预测x，则会将x作为第一个参数传递给{{1} } s作为y的第二个参数。

Answer 2

线性模型不仅限于1个预测变量和1个响应变量。换句话说，您可以使用X和Y作为预测响应变量Z的两个预测变量，其中Z可能线性地依赖于X和Y.在您的情况下，您只是尝试从X预测Y，因此更改代码以下内容：

from sklearn import linear_model
reg = linear_model.LinearRegression()
reg.fit ([[0], [1], [2]], [0, 1, 2])