Cross-validation for regressionIf y

Cross-validation for regression
If you remember when we first introduced classification, we stressed the
importance of cross-validation for checking the quality of our predictions. In
regression, this is not always done. In fact, we only discussed the training error
model earlier. This is a mistake if you want to confidently infer the generalization
ability. Since ordinary least squares is a very simple model, this is often not a very
serious mistake (the amount of overfitting is slight). However, we should still test
this empirically, which we will do now using scikit-learn. We will also use its linear
regression classes as they will be easier to replace for more advanced methods later
in the chapter:
from sklearn.linear_model import LinearRegression
The LinearRegression class implements OLS regression as follows:
lr = LinearRegression(fit_intercept=True)
We set the fit_intercept parameter to True in order to add a bias term. This is
exactly what we had done before, but in a more convenient interface:
lr.fit(x,y)
p = map(lr.predict, x)
Learning and prediction are performed for classification as follows:

Kết quả (Việt) 1:

Cross-xác nhận cho hồi quiNếu bạn nhớ khi chúng tôi lần đầu tiên giới thiệu phân loại, chúng tôi nhấn mạnh cáctầm quan trọng của cross-xác nhận cho việc kiểm tra chất lượng của các dự đoán của chúng tôi. Ởhồi qui, điều này không phải luôn luôn thực hiện. Trong thực tế, chúng tôi chỉ thảo luận lỗi đào tạoMô hình trước đó. Đây là một sai lầm nếu bạn muốn tự tin suy ra tổng quátkhả năng. Kể từ khi bình thường tối thiểu là một mô hình rất đơn giản, điều này thường không phải là một rấtsai lầm nghiêm trọng (số lượng overfitting là nhẹ). Tuy nhiên, chúng tôi vẫn nên kiểm tranày empirically, mà chúng tôi sẽ làm gì bây giờ sử dụng scikit-tìm hiểu. Chúng tôi cũng sẽ sử dụng các tuyến tínhhồi quy các lớp học như họ sẽ dễ dàng hơn để thay thế cho phương pháp tiên tiến hơn sau nàytrong chương:từ sklearn.linear_model nhập khẩu LinearRegressionCác lớp học LinearRegression thực hiện hồi quy OLS như sau:LR = LinearRegression(fit_intercept=True)Chúng tôi đặt tham số fit_intercept thành True để thêm một nhiệm kỳ thiên vị. Điều này làchính xác những gì chúng tôi đã làm trước khi, nhưng trong một giao diện thuận tiện hơn:LR.Fit(x,y)p = bản đồ (lr.predict, x)Học tập và dự báo được thực hiện để phân loại như sau: