Regresión lineal en Python

Ajustar una recta y luego leer los coeficientes y el error.

from sklearn.linear_model import LinearRegression
from sklearn.metrics import mean_squared_error, r2_score

X = [[1.0], [2.0], [3.0], [4.0], [5.0]]
y = [2.1, 3.9, 6.2, 7.8, 10.1]

modelo = LinearRegression().fit(X, y)
predicho = modelo.predict(X)

print(f"pendiente {modelo.coef_[0]:.2f} intercepto {modelo.intercept_:.2f}")
print(f"mse {mean_squared_error(y, predicho):.3f}")
print(f"r2 {r2_score(y, predicho):.3f}")

Cómo funciona

1. coef_ guarda un peso por característica; intercept_, el desplazamiento.
2. mean_squared_error y r2_score describen el ajuste.
3. Las predicciones regresan como un arreglo, una por fila de X.

Palabras clave y builtins usados aquí

• print

El intento, en números

Líneas

12

Caracteres a escribir

417

Tokens

129

Ritmo de tres estrellas

100 tpm

Al ritmo de tres estrellas de 100 tokens por minuto, este intento toma unos 77 segundos.

Escribe este fragmento

Paso 3 de 3 en La API de estimadores; paso 3 de 25 en Machine learning con scikit-learn.

← Anterior Siguiente →