Scikit Learn 线性建模
本章将帮助你了解 Scikit-Learn 中的线性建模，让我们首先了解什么是 Sklearn 中的线性回归。
下表列出了 Scikit-Learn 提供的各种线性模型：
| 序号 | 模型和说明 |
|---|---|
| 1 | 线性回归 它是研究因变量 (Y) 与一组给定的自变量 (X) 之间关系的最佳统计模型之一。 |
| 2 | 逻辑回归 逻辑回归，尽管它的名字，是一种分类算法，而不是回归算法。基于给定的一组自变量，它用于估计离散值(0 或 1，是/否，真/假)。 |
| 3 | 岭回归 岭回归或 Tikhonov 正则化是执行 L2 正则化的正则化技术。它通过添加相当于系数大小平方的惩罚(收缩量)来修改损失函数。 |
| 4 | 贝叶斯岭回归 贝叶斯回归允许一种自然机制，通过使用概率分布器而不是点估计来制定线性回归，从而在数据不足或分布不均的情况下幸免于难。 |
| 5 | LASSO LASSO 是执行 L1 正则化的正则化技术。它通过添加相当于系数绝对值总和的惩罚(收缩量)来修改损失函数。 |
| 6 | 多任务套索 它允许联合拟合多个回归问题，强制所有回归问题(也称为任务)的所选特征相同。 Sklearn 提供了一个名为 MultiTaskLasso 的线性模型，使用混合 L1、L2 范数进行正则化训练，它联合估计多元回归问题的稀疏系数。 |
| 7 | 弹性网 Elastic-Net 是一种正则化回归方法，它线性组合了 Lasso 和 Ridge 回归方法的 L1 和 L2 两种惩罚。当有多个相关特征时，它很有用。 |
| 8 | 多任务弹性网 它是一个 Elastic-Net 模型，允许拟合多个回归问题，共同强制所有回归问题的所选特征相同，也称为任务 |