We set the fit_intercept parameter

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:
e = p-y
total_error = np.sum(e*e) # sum of squares
rmse_train = np.sqrt(total_error/len(p))
print('RMSE on training: {}'.format(rmse_train))
We have used a different procedure to compute the root mean square error on the
training data. Of course, the result is the same as we had before: 4.6 (it is always
good to have these sanity checks to make sure we are doing things correctly).
Now, we will use the KFold class to build a 10-fold cross-validation loop and test
the generalization ability of linear regression:
from sklearn.cross_validation import Kfold

Kết quả (Việt) 1:

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:e = p-ytotal_error = np.sum(e*e) # tổng của hình vuôngrmse_train = np.sqrt(total_error/len(p))in (' Whattheschmidt về đào tạo: {} '.format(rmse_train))Chúng tôi đã sử dụng một thủ tục khác nhau để tính toán các lỗi gốc có nghĩa là quảng trường trên cácdữ liệu đào tạo. Tất nhiên, kết quả là như nhau như chúng tôi đã có trước khi: 4.6 (nó luôn luôn làtốt để có những kiểm tra sự tỉnh táo để đảm bảo chúng tôi đang làm việc một cách chính xác).Bây giờ, chúng tôi sẽ sử dụng lớp KFold để xây dựng một vòng lặp qua xác nhận 10-fold và kiểm trakhả năng tổng quát của hồi quy tuyến tính:từ sklearn.cross_validation nhập khẩu Kfold