The following are a set of methods intended for regression in which the target value is expected to be a linear combination of the features. In mathematical notation, if \(\hat{y}\) is the predicted value.
\(\hat{y}(w,x) = w_0 + w_1 x_1 + w_2 x_2 + ⋯ + w_p x_p\)
Across the module, we designate the vector \(w = (w_1, w_2, ..., w_p)\) as coef_ and \(w_0\) as intercept_.
To perform classification with generalized linear models, see Logistic regression.
coef_ 和 intercept_ 的命名规范
在机器学习库（尤其是 Scikit-learn）中，在属性名后添加下划线 _ 是一种通用的命名约定，用来表示该属性是在模型训练（拟合，即调用 fit() 方法）后才可用的。
简单来说，这个下划线是告诉使用者：
- 它是一个训练结果： 这些值不是模型初始化时设定的，而是通过从数据中学习得到的。例如，线性回归模型的系数
coef_和截距intercept_都是在fit()之后才计算出来的。 - 它不是一个可设置的参数： 你不能在创建模型时直接传入这些值。相反，你需要先用数据训练模型，这些值才会自动生成。
这种命名方式有助于开发者和用户区分模型的超参数（可以在初始化时设定的参数，如 learning_rate）和训练结果（通过学习数据得到的参数，如 coef_）。这是一种清晰且一致的编程习惯，能避免混淆，让代码更易于理解和使用。
coef_ 和 intercept_ 的含义
在本模块中，我们将向量 \(w = (w_1, w_2, ..., w_p)\) 指定为 coef_，将 \(w_0\) 指定为 intercept_。
coef_ 和 intercept_ 的含义
这两个术语通常用于线性回归（Linear Regression）或类似模型的机器学习库（如 Scikit-learn）中，它们代表了模型训练后学习到的参数或系数。
-
coef_(Coefficients):- 这个词是 "coefficients"（系数）的缩写，通常指代一个向量 \(w = (w_1, w_2, ..., w_p)\)。
- 向量中的每个元素 \(w_i\) 对应于模型中的一个特征（feature）。
- 它的值表示该特征对预测结果的影响程度。例如，在预测房价时，如果“卧室数量”对应的系数 \(w_i\) 较大，说明卧室数量对房价的影响很大。
-
intercept_(Intercept):- 这个词是 "intercept"（截距）的缩写，通常指代一个单独的数值 \(w_0\)。
- 它代表当所有特征的值都为零时，模型的预测结果。
- 在图形上，它可以被理解为回归线与纵轴的交点。
二者如何共同作用
这两个参数共同构成了线性模型的核心。用数学公式表示，模型的预测值 \(\hat{y}\) 可以写成：
\(\hat{y} = w_0 + w_1x_1 + w_2x_2 + \dots + w_px_p\)
其中：
- \(w_0\) 就是
intercept_。 - \((w_1, w_2, ..., w_p)\) 就是
coef_。 - \((x_1, x_2, ..., x_p)\) 是输入的特征向量。
简单来说，coef_ 告诉你每个特征的重要性，而 intercept_ 则为你提供了一个基准值。