python能做什么，如何用python做模型_python的模型如何使用？

這個直接fit好了，然后調用就可以啦。附一個我前段時間寫的多元線性回歸給你參考吧。

#多元線性回歸

from sklearn.linear_model import LinearRegression

from sklearn.model_selection import train_test_split

python能做什么。from sklearn import preprocessing

import numpy as np

insfuelcon_std=pd.DataFrame(preprocessing.normalize(insfuelcon_date,norm='l2', axis=1, copy=True),columns=insfuelcon_date.columns)

X = insfuelcon_std.iloc[:,:-2]

y = insfuelcon_std.iloc[:,-2]

python 類、X_train,X_test,y_train,y_test = train_test_split(X,y,test_size = 0.2,random_state=1234)

reg = LinearRegression()

reg.fit(X_train,y_train)

print(reg.coef_) #輸出多元線性回歸的各項系數

print(reg.intercept_) #輸出多元線性回歸的常數項的值

python訓練模型？y_predict=reg.predict(X_test) #調用擬合好的模型進行預測，也就是你說的保存好的模型

另附一個模型評價

#模型評價

from sklearn.metrics import mean_absolute_error

from sklearn.metrics import mean_squared_error

python仿真建模，from sklearn.metrics import r2_score #直接調用庫函數進行輸出R2

print(mean_squared_error(y_test,y_predict))

print(mean_absolute_error(y_test,y_predict))

print(r2_score(y_test,y_predict))

print(reg.score(X_test,y_test))

python可以建模嗎、print(reg.coef_) #輸出多元回歸算法的各個特征的系數矩陣

print(np.argsort(reg.coef_)) #輸出多元線性回歸算法各個特征的系數排序，可以知道各個特征的影響度

print(insfuelcon_date.columns[np.argsort(reg.coef_)]) #輸出各個特征按照影響系數從小到大的順序