本文实例讲述了Python使用sklearn实现的各种回归算法。分享给大家供大家参考，具体如下：
使用sklearn做各种回归
基本回归：线性、决策树、SVM、KNN
集成方法：随机森林、Adaboost、GradientBoosting、Bagging、ExtraTrees
1. 数据准备
为了实验用，我自己写了一个二元函数，y=0.5*np.sin(x1)+ 0.5*np.cos(x2)+0.1*x1+3。其中x1的取值范围是0~50，x2的取值范围是-10~10，x1和x2的训练集一共有500个，测试集有100个。其中，在训练集的上加了一个-0.5~0.5的噪声。生成函数的代码如下：
其中训练集（y上加有-0.5~0.5的随机噪声）和测试集（没有噪声）的图像如下：
2. scikit-learn的简单使用
scikit-learn非常简单，只需实例化一个算法对象，然后调用fit()函数就可以了，fit之后，就可以使用
predict()
函数来预测了，然后可以使用
score()
函数来评估预测值和真实值的差异，函数返回一个得分。
完整程式化代码为：
3.结果展示
决策树回归结果:
线性回归结果：
SVM回归结果：
KNN回归结果：
随机森林回归结果：
Adaboost回归结果：
GBRT回归结果：
Bagging回归结果：
极端随机树回归结果：
更多关于Python相关内容感兴趣的读者可查看本站专题：《Python数据结构与算法教程》、《Python加密解密算法与技巧总结》、《Python编码操作技巧总结》、《Python函数使用技巧总结》、《Python字符串操作技巧汇总》及《Python入门与进阶经典教程》
希望本文所述对大家Python程序设计有所帮助。
