`sklearn.linear_model`.LinearRegression¶

class sklearn.linear_model.LinearRegression¶

Regresión lineal por mínimos cuadrados ordinarios (ordinary least squares Linear Regression).

LinearRegression ajusta un modelo lineal con coeficientes w = (w1, …, wp) para minimizar la suma de cuadrados residual entre los objetivos observados en el conjunto de datos y los objetivos predichos por la aproximación lineal.

Parámetros

fit_interceptbool, default=True: Si se calcula el intercepto para este modelo. Si se establece en False, no se utilizará ningún intercepto en los cálculos (es decir, se espera que los datos estén centrados).
normalizebool, default=False: Este parámetro se ignora cuando fit_intercept se establece en False. Si es True, los regresores X serán normalizados antes de la regresión restando la media y dividiendo entre la norma l2. Si deseas normalizar, por favor utiliza StandardScaler antes de llamar a fit en un estimador con normalize=False.
copy_Xbool, default=True: Si es True, X se copiará; si no, puede ser sobrescrita.
n_jobsint, default=None: El número de trabajos a utilizar para el cálculo. Esto sólo proporcionará un aumento de velocidad para n_targets > 1 y problemas suficientemente grandes. None significa 1 a menos que esté en un contexto joblib.parallel_backend. -1 significa usar todos los procesadores. Ver Glosario para más detalles.
positivebool, default=False: Cuando se establece en True, obliga a que los coeficientes sean positivos. Esta opción sólo está soportada para arreglos densos.

Nuevo en la versión 0.24.

Atributos

coef_arreglo de forma (n_features, ) o (n_targets, n_features): Coeficientes estimados para el problema de regresión lineal. Si se pasan varios objetivos durante el ajuste (y 2D), se trata de un arreglo 2D de forma (n_targets, n_features), mientras que si sólo se pasa un objetivo, se trata de un arreglo 1D de longitud n_features.
rank_int: Rango de la matriz X. Sólo está disponible cuando X es densa.
singular_arreglo de forma (min(X, y),): Valores singulares de X. Sólo está disponible cuando X es densa.
intercept_float o arreglo de forma (n_targets,): Término independiente en el modelo lineal. Se establece en 0.0 si fit_intercept = False.

Ver también

Ridge: La regresión Ridge aborda algunos de los problemas de los Mínimos Cuadrados Ordinarios imponiendo una penalización al tamaño de los coeficientes con la regularización l2.
Lasso: El Lasso es un modelo lineal que estima coeficientes dispersos con regularización l1.
ElasticNet: Elastic-Net es un modelo de regresión lineal entrenado con la regularización de la norma l1 y l2 de los coeficientes.

Notas

Desde el punto de vista de la implementación, esto es simplemente Mínimos Cuadrados Ordinarios (scipy.linalg.lstsq) o Mínimos Cuadrados No Negativos (scipy.optimize.nnls) envueltos (wrapped) como un objeto predictor.

Ejemplos

>>> import numpy as np
>>> from sklearn.linear_model import LinearRegression
>>> X = np.array([[1, 1], [1, 2], [2, 2], [2, 3]])
>>> # y = 1 * x_0 + 2 * x_1 + 3
>>> y = np.dot(X, np.array([1, 2])) + 3
>>> reg = LinearRegression().fit(X, y)
>>> reg.score(X, y)
1.0
>>> reg.coef_
array([1., 2.])
>>> reg.intercept_
3.0000...
>>> reg.predict(np.array([[3, 5]]))
array([16.])

Métodos

`fit`	Ajusta el modelo lineal.
`get_params`	Obtiene los parámetros para este estimador.
`get_params`	Predice utilizando el modelo lineal.
`score`	Devuelve el coeficiente de determinación \(R^2\) de la predicción.
`score`	Establece los parámetros de este estimador.

fit()¶

Ajusta el modelo lineal.

Parámetros

X{array-like, sparse matrix} de forma (n_samples, n_features): Datos de entrenamiento
yarray-like de forma (n_samples,) o (n_samples, n_targets): Valores objetivo. Se convertirá en el dtype de X si es necesario
sample_weightarray-like de forma (n_samples,), default=None: Ponderaciones individuales para cada muestra

Nuevo en la versión 0.17: parámetro sample_weight da soporte a LinearRegression.

Devuelve

selfdevuelve una instancia de self.

get_params()¶

Obtiene los parámetros para este estimador.

Parámetros

deepbool, default=True: Si es True, devolverá los parámetros para este estimador y los subobjetos contenidos que son estimadores.

Devuelve

paramsdict: Nombres de parámetros mapeados a sus valores.

predict()¶

Predice utilizando el modelo lineal.

Parámetros

Xarray-like o matriz dispersa, forma (n_samples, n_features): Muestras.

Devuelve

Carreglo, forma (n_samples,): Devuelve los valores predichos.

score()¶

Devuelve el coeficiente de determinación \(R^2\) de la predicción.

El coeficiente \(R^2\) se define como \((1 - \frac{u}{v})\), donde \(u\) es la suma de cuadrados residual ((y_true - y_pred) ** 2).sum() y \(v\) es la suma total de cuadrados ((y_true - y_true.mean()) ** 2).sum(). La mejor puntuación posible es 1.0 y puede ser negativa (porque el modelo puede ser arbitrariamente peor). Un modelo constante que siempre predice el valor esperado de y, sin tener en cuenta las características de entrada, obtendría una puntuación \(R^2\) de 0.0.

Parámetros

Xarray-like de forma (n_samples, n_features): Muestras de prueba. Para algunos estimadores puede ser una matriz de núcleo precalculada o una lista de objetos genéricos con forma (n_samples, n_samples_fitted), donde n_samples_fitted es el número de muestras utilizadas en el ajuste para el estimador.
yarray-like de forma (n_samples,) o (n_samples, n_outputs): Valores verdaderos para X.
sample_weightarray-like de forma (n_samples,), default=None: Ponderaciones de muestras.

Devuelve

scorefloat: \(R^2\) de self.predict(X) con respecto a y.

Notas

La puntuación \(R^2\) utilizada al llamar a score en un regresor utiliza multioutput='uniform_average' desde la versión 0.23 para mantener la consistencia con el valor predeterminado de r2_score. Esto influye en el método score de todos los regresores de salida múltiple (excepto para MultiOutputRegressor).

set_params()¶

Establece los parámetros de este estimador.

El método funciona tanto en estimadores simples como en objetos anidados (como Pipeline). Estos últimos tienen parámetros de la forma <component>__<parameter> para que sea posible actualizar cada componente de un objeto anidado.

Parámetros

**paramsdict: Parámetros del estimador.

Devuelve

selfinstancia del estimador: Instancia del estimador.

Ejemplos utilizando `sklearn.linear_model.LinearRegression`¶

sklearn.linear_model.LinearRegression¶

Ejemplos utilizando sklearn.linear_model.LinearRegression¶

`sklearn.linear_model`.LinearRegression¶

Ejemplos utilizando `sklearn.linear_model.LinearRegression`¶