Modèle linéaire : Régression linéaire

C'est l'un des meilleurs modèles statistiques qui étudie la relation entre une variable dépendante (Y) et un ensemble donné de variables indépendantes (X). La relation peut être établie à l'aide de l'ajustement d'une meilleure ligne.

sklearn.linear_model.LinearRegression est le module utilisé pour implémenter la régression linéaire.

Paramètres

la liste suivante présente les paramètres utilisés par le module de régression linéaire :

• fit_intercept - Booléen, facultatif, par défaut True : Utilisé pour calculer l'intercept du modèle. Aucune ordonnée à l'origine ne sera utilisée dans le calcul si cette option est définie sur false.
• normalize - Booléen, facultatif, par défaut False : Si ce paramètre est défini sur True, le régresseur X sera normalisé avant la régression. La normalisation sera effectuée en soustrayant la moyenne et en la divisant par la norme L2. Si fit_intercept = False, ce paramètre sera ignoré.
• copy_X - Booléen, facultatif, par défaut True : Par défaut, il est vrai, ce qui signifie que X sera copié. Mais s'il est défini à false, X peut être écrasé.
• n_jobs - int ou None, facultatif(default = None) : Il représente le nombre de jobs à utiliser pour le calcul.

Attributs

La liste suivante présente les attributs utilisés par le module de régression linéaire :

• coef_ - tableau, shape(n_features,) ou (n_targets, n_features) : Il est utilisé pour estimer les coefficients pour le problème de régression linéaire. Il s'agit d'un tableau 2D de forme (n_targets, n_features) si des cibles multiples sont transmises pendant l'ajustement. Ex. (y 2D). D'autre part, il s'agirait d'un tableau 1D de longueur (n_caractéristiques) si une seule cible est passée pendant l'ajustement.
• Intercept_ - tableau : Il s'agit d'un terme indépendant dans ce modèle linéaire.

Exemple