Scikit-线性回归-提取度量 Python 3 scikit-learn-0.23.1 numpy-1.18.4 scipy-1.4.1

是否可以提取拟合回归模型所需的迭代次数（通过梯度下降）？除了一般的模型评估指标外，我看不到任何与迭代次数相关的东西

regressor = LinearRegression()  
regressor.fit(xtr, ytr)

print('Mean Absolute Error:', metrics.mean_absolute_error(yt, y_pred))  
print('Mean Squared Error:', metrics.mean_squared_error(yt, y_pred))  
print('Root Mean Squared Error:', np.sqrt(metrics.mean_squared_error(yt, y_pred)))

---

Scikit显示了所有可能的度量模块

正如Gilad所指出的，使用OLS计算线性回归问题不涉及迭代。我在这里猜测，您正在尝试使用梯度下降实现线性回归模型。对于后者，迭代次数是在执行之前定义的

因此，要使用梯度下降，您可以手动编写（）或使用回归或Sklearn中的回归。这里有一个n_iter参数，通过该参数可以获得确定COEF所需的迭代次数

类sklearn.linear\u model.Ridge（alpha=1.0，*，拟合截距=True，归一化=False，复制=True，最大iter=None，tol=0.001，解算器=auto'，随机状态=None）

属性

n_iter：\u无或形状不规则（n_目标，） 每个目标的实际迭代次数。仅适用于sag和lsqr解算器。其他解算器将不返回任何值

---

注意：您可以将解算器定义为

sag或saga

，以使用梯度下降法。

正如Gilad所指出的，使用OLS计算线性回归问题不涉及迭代。我在这里猜测，您正在尝试使用梯度下降实现线性回归模型。对于后者，迭代次数是在执行之前定义的

因此，要使用梯度下降，您可以手动编写（）或使用回归或Sklearn中的回归。这里有一个n_iter参数，通过该参数可以获得确定COEF所需的迭代次数

类sklearn.linear\u model.Ridge（alpha=1.0，*，拟合截距=True，归一化=False，复制=True，最大iter=None，tol=0.001，解算器=auto'，随机状态=None）

属性

n_iter：\u无或形状不规则（n_目标，） 每个目标的实际迭代次数。仅适用于sag和lsqr解算器。其他解算器将不返回任何值

---

注意：您可以将解算器定义为

sag或saga

，以使用梯度下降法。

我认为没有任何迭代。解决线性回归问题就是解决OLS问题，OLS是一个封闭的形式，使用SVDI计算，不认为有任何迭代。解决线性回归问题就是解决OLS问题，OLS是一种封闭形式，使用SVD计算。应该说梯度下降-谢谢！没有问题：）…很高兴能帮上忙是的，道歉。应该说梯度下降-谢谢！没有问题：）…很高兴它有帮助