Статья Автор: Деникина Н.В., Деникин А.В.

Библиотека sklearn и линейная регрессия

scikit-learn - это библиотека готовых ML-моделей. Нам не нужно программировать всю математику с нуля!"

Основные компоненты: Модель как объект

from sklearn.linear_model import LinearRegression

# Создаём модель
model = LinearRegression()

print(type(model))  # <class 'sklearn.linear_model._base.LinearRegression'>
print("Модель создана! Но она ещё ничему не обучена.")

LinearRegression() — это класс из библиотеки Scikit-learn, который реализует линейную регрессию.

Как создать модель?

# Простейший способ
model = LinearRegression()

# Или с настройками параметров
model = LinearRegression(
    fit_intercept=True,    # Вычислять ли свободный член b
    copy_X=True,           # Копировать ли данные
    n_jobs=None,           # Использовать ли несколько ядер процессора
    positive=False         # Заставлять ли коэффициенты быть положительными
)

Основные параметры:

Параметр	Что делает	По умолчанию	Зачем менять
`fit_intercept`	Вычислять коэффициент `b`	`True`	Если знаете, что линия проходит через 0 → `False`
`copy_X`	Копировать входные данные	`True`	Для экономии памяти → `False`
`n_jobs`	Количество ядер	`None`	Для ускорения на больших данных → `-1`
`positive`	Положительные коэффициенты	`False`	Если знаете, что связь только положительная → `True`

Универсальный шаблон работы:

# 1. ИМПОРТ
from sklearn.linear_model import LinearRegression

# 2. СОЗДАНИЕ МОДЕЛИ
model = LinearRegression()

# 3. ОБУЧЕНИЕ (тренировка)
model.fit(X_train, y_train)

# 4. ПРЕДСКАЗАНИЕ
predictions = model.predict(X_test)

# 5. ОЦЕНКА КАЧЕСТВА
score = model.score(X_test, y_test)

Основные методы LinearRegression

Метод	Что делает	Пример
`.fit(X, y)`	Обучает модель	`model.fit(X_train, y_train)`
`.predict(X)`	Делает предсказания	`y_pred = model.predict(X_test)`
`.score(X, y)`	Оценивает качество (R²)	`accuracy = model.score(X_test, y_test)`

Печать