はじめに：ケースを取得し、分析します：
この分類は行われる最適化の一部で、その目標値は、はい何回帰の一部、分類を、何をすべきかの部分、それを行うか、リターンを行うことです。
そして、影響因子との分類、およびどのような要因がリターンに影響を与える要因を、ピックアップし、どのような最適化に関連する要因。
線形回帰のために、
まず、モジュールやパッケージのすべてをインポートする必要があります
＃導入されたすべての必要なパケット から sklearn.model_selection インポート train_test_split ＃クロスバリデーションのために、クラスにデータを から sklearn.linear_model インポート線形回帰＃線形回帰 から sklearn.preprocessing インポート StandardScalerの＃の正規化したデータ のインポートnumpyのAS NP インポートmatplotlibのをMPL AS インポートは、ASのPLT matplotlib.pyplot インポートPANDAS ASは、PD から PANDAS インポートデータフレーム のインポート時
データのロード
＃ロードデータ パス1 = ' ' DF = pd.read_csv（パス1上の9月= ' ; '、low_memory =偽）＃ない混合型より多くのメモリlow_memory = Fによって呼び出され、効率を向上させます）
データとフォーマットを見てください
df.head（10）＃1 のデータの最初の10行を見 ＃ビューフォーマット情報 df.info（）
xとyを取得
トレーニングデータセットとテストセットに分割
＃＃データセット試験にトレーニングセットを設定 ＃マトリックス（タイプ典型的DATAFRAME）式：X- ＃Y：機能（タイプ典型的シリーズ）対応するラベルタグ ＃1 test_size：X / Yの時間が分割され、テストセットデータを占め、（0,1）の間のフロートのタイプであること値 ＃random_state：データを分割する分割ベースのランダム化され、所定の乱数シードのパラメータを、値（int型）の役割されますデータセットを分割して生成された各番号が同一であることを確認 X_train、X_test、Y_train、android.permission.FACTOR。train_test_split =（X、Y、test_size = 0.2、random_state = 0） ＃のルックトレーニングセットとテストセットのサンプル プリント（X_train .shape） 印刷（X_test.shape） 印刷（Y_train.shape）
場合に応じて標準化/正常化、標準化は、連続的、離散行う正規化を行います
＃フィットは、平均外求めている変換、平均と分散を求めている-分散を求めて二つを組み合わせることができる SS = StandardScaler（） ＃は、正規化は、正規化され、正規化されたモデル・オブジェクトを作成し、データを正規化
フィッティング、標準化、フィット感とtransfoemは、書き込みに2つのステップに分割することができます
＃正規化トレーニングセット、標準化の試験セット X_train = ss.fit_transform（X_train） ＃の学習モデルとトレーニングセット変換 X_test = ss.transform（X_test） ＃Aとモデル構築データ正規化（テストセット）内のデータに直接平均値とテストセットの分散とトレーニングセットが同じであるようにすることです
モデルのトレーニング、予測
＃＃フィッティング、鉄道模型 LR =線形回帰（fit_intercept = TRUE） ＃モデルの線形がインターセプト含めるかどうかを、構築されたオブジェクト lr.fit（X_train、Y_train） ＃＃フィッティングトレーニングモデル ＃の＃モデルの検証 y_predict = LRを。 （X_test）を予測＃の＃予測を
フィット感の良さを参照してください、すなわち、R二乗
印刷（" ：トレーニングセットR2 " 、lr.score（X_train、Y_train）） を印刷（" テストセットR2：" 。、lr.scoreを（X_test、android.permission.FACTOR）） ＃。MSE = np.average（（y_predict-android.permission.FACTOR） 2 **） ＃RMSE = np.sqrt（MSE） ＃の印刷（ "RMSE："、RMSE）
出力パラメータは、トレーニングを取得します
＃パラメータ出力モデルのトレーニングを得 印刷（「：モデルの係数（θ）」、終了= 「」） を印刷（lr.coef_） 印刷（「インターセプト・モデル：」、終了= 「」） 印刷（LR。 intercept_）