fit（）和predict（）方法中的逻辑用于回归

Question

任何人都可以解释我在机器学习算法中使用的fit()和predict()的概念。

fit()- used to fit the data.
     output- LinearRegression(copy_X=True, fit_intercept=True, n_jobs=1, normalize=False)

Query1 =适合的后端计算是什么。在调用fit()方法之后，我们在什么基础上获得上述输出。

predict() - 用于预测数据。

Query2 =这里使用的后端计算是什么。

这些是我需要的一些基本的概念性理解。任何帮助表示赞赏。谢谢。

Answer 1

我通过阅读一本非常有趣的书来学习逻辑回归（机器学习），该书为您提供了一些基础知识，但也为您提供了困难的算法。你可以在第3章找到代码示例：https://github.com/rasbt/python-machine-learning-book/tree/master/code你会发现逻辑回归而不是算法。无论如何，fit（）方法用于调整算法的数据，它只是为了它，据我所知，没有算法，它只是为了“组织”的目的。逻辑回归中的predict（）方法使用sigmoid函数和对数表达式。现在我不记得算法计算（对不起），但我可以进入一些我们的算法。

Answer 2

在机器学习中，您希望制作一个真实世界概念的模型。例如，植物的生长与其获得的水量之间存在相关性。 fit（）将尝试将这种相关性拟合到数学公式中（=模型，简化现实世界的概念）。拟合意味着算法将尝试根据其先前猜测中的误差重复调整其估计值。

请注意你的第二个问题是什么意思，但如果你问的是线性回归如何工作，你可以签出维基百科：https://en.wikipedia.org/wiki/Linear_regression它给出了一个非常好的基本概念解释。

但请记住，LinearRegression（）将执行多变量线性回归，因此它只是在de nD平面中的线性关系，而不是在2D中。