文档章节

(一)使用sklearn做各种回归

o
 osc_ogi0qclx
发布于 2019/08/23 08:58
字数 411
阅读 3
收藏 0

精选30+云产品,助力企业轻松上云!>>>

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
import  numpy as np
import  matplotlib.pyplot as plt
 
 
# 生成数据
def  gen_data(x1, x2):
     =  np.sin(x1)  *  1 / 2  +  np.cos(x2)  *  1 / 2  +  0.1  *  x1
     return  y
 
 
def  load_data():
     x1_train  =  np.linspace( 0 50 500 )
     x2_train  =  np.linspace( - 10 10 500 )
     data_train  =  np.array([[x1, x2, gen_data(x1, x2)  +  np.random.random( 1 -  0.5 for  x1, x2  in  zip (x1_train, x2_train)])
     x1_test  =  np.linspace( 0 50 100 +  np.random.random( 100 *  0.5
     x2_test  =  np.linspace( - 10 10 100 +  0.02  *  np.random.random( 100 )
     data_test  =  np.array([[x1, x2, gen_data(x1, x2)]  for  x1, x2  in  zip (x1_test, x2_test)])
     return  data_train, data_test
 
 
train, test  =  load_data()
# train的前两列是x,后一列是y,这里的y有随机噪声
x_train, y_train  =  train[:, : 2 ], train[:,  2 ]
x_test, y_test  =  test[:, : 2 ], test[:,  2 ]   # 同上,但这里的y没有噪声
 
# 回归部分
def  try_different_method(model, method):
     model.fit(x_train, y_train)
     score  =  model.score(x_test, y_test)
     result  =  model.predict(x_test)
     plt.figure()
     plt.plot(np.arange( len (result)), y_test,  "go-" , label = "True value" )
     plt.plot(np.arange( len (result)), result,  "ro-" , label = "Predict value" )
     plt.title(f "method:{method}---score:{score}" )
     plt.legend(loc = "best" )
     plt.show()
 
 
# 方法选择
# 1.决策树回归
from  sklearn  import  tree
model_decision_tree_regression  =  tree.DecisionTreeRegressor()
 
# 2.线性回归
from  sklearn.linear_model  import  LinearRegression
model_linear_regression  =  LinearRegression()
 
# 3.SVM回归
from  sklearn  import  svm
model_svm  =  svm.SVR()
 
# 4.kNN回归
from  sklearn  import  neighbors
model_k_neighbor  =  neighbors.KNeighborsRegressor()
 
# 5.随机森林回归
from  sklearn  import  ensemble
model_random_forest_regressor  =  ensemble.RandomForestRegressor(n_estimators = 20 )   # 使用20个决策树
 
# 6.Adaboost回归
from  sklearn  import  ensemble
model_adaboost_regressor  =  ensemble.AdaBoostRegressor(n_estimators = 50 )   # 这里使用50个决策树
 
# 7.GBRT回归
from  sklearn  import  ensemble
model_gradient_boosting_regressor  =  ensemble.GradientBoostingRegressor(n_estimators = 100 )   # 这里使用100个决策树
 
# 8.Bagging回归
from  sklearn  import  ensemble
model_bagging_regressor  =  ensemble.BaggingRegressor()
 
# 9.ExtraTree极端随机数回归
from  sklearn.tree  import  ExtraTreeRegressor
model_extra_tree_regressor  =  ExtraTreeRegressor()

 

  

 

 

 

o
粉丝 0
博文 500
码字总数 0
作品 0
私信 提问
加载中
请先登录后再评论。
进击的机器学习 Third Day——简单线性回归模型(Simple Linear Regression)

今天就来学一学简单的线性回归模型(Simple Linear Regession Model),也就是通常所说的单变量线性回归模型。按照上节的分类,它属于监督模型中的回归算法。线性回归模型可以说是很多机器学习...

焜俞
2019/11/06
0
0
Python——sklearn 中 Logistics Regression 的 coef_ 和 intercept_ 的具体意义

sklearn 中 Logistics Regression 的 coef 和 intercept 的具体意义 使用sklearn库可以很方便的实现各种基本的机器学习算法,例如今天说的逻辑斯谛回归(Logistic Regression),我在实现完之...

osc_cnd9jz7d
01/07
19
0
机器学习——GBDT

<br/> 基础概念 GBDT(Gradient Boosting Decision Tree) 全称梯度提升决策树,是一种迭代的决策树算法。GBDT是集成学习Boosting的家族成员,GBDT中的树是回归树,用于回归预测,调整后也可以...

osc_0i8c6s1z
2018/03/20
0
0
2018文章集合

2018年公众号文章集合,过年在家系统学习下。 机器学习实战 该系列讲解了经典机器学习算法的原理(KNN,决策树,SVM,k-means,pca等),并从伪代码入手,一步步深入到各种算法的Python实现。...

罗罗攀
2019/02/07
0
0
分享一波关于做 Kaggle 比赛,Jdata,天池的经验,看完我这篇就够了。

本文作者Jasperyang,毕业于BUPT。本文原载于知乎专栏,AI 研习社授权转载。 Kaggle 的数据挖掘比赛近年来很火,以至于中国兴起了很多很多类似的比赛,做了两个这种类型的比赛了,Jdata 用户...

y0w1as5eg37urfds
2017/12/17
0
0

没有更多内容

加载失败,请刷新页面

加载更多

macz技巧分享—macOS高端使用技巧

Macos 的占有量不如 Windows,两者之间当操作方式也有很大的不同,当很多人熱悉 Windows 的操作之后,再接触 macos,觉得难上手,其实是习惯问题。如果你学习一些技巧,会觉得 macos 其实也不...

mac小叮当
48分钟前
11
0
手把手教你如何用黑白显示器显示彩色!

来源:大数据文摘 本文约1000字,建议阅读6分钟。 本文为你介绍如何通过黑白显示器上也能显示出彩色。 原来在黑白显示器上也能显示出彩色啊!通过在监视器上覆盖拜耳滤色镜,并拼接彩色图像,...

osc_jklrr90y
48分钟前
18
0
key-value结构排序:给定一个字符串,统计每个字符出现频率,先按value降序,再按key升序

对于key-value结构的排序 第一种:lambda表达式 第二种:函数 第三种:类对()的重载,仿函数形式 #include <iostream>#include <vector>#include <unordered_map>#include <string>#in......

osc_gwtkg2dc
49分钟前
0
0
BlockChain:2020年7月10日世界人工智能大会WAIC《链智未来 赋能产业区块链主题论坛——2020全球区块链创新50强》

BlockChain:2020年7月10日世界人工智能大会WAIC《链智未来 赋能产业区块链主题论坛——2020全球区块链创新50强》 目录 世界人工智能大会WAIC《链智未来 赋能产业区块链主题论坛——2020全球...

osc_vew1u0h0
50分钟前
0
0
BlockChain:2020年7月10日世界人工智能大会WAIC《链智未来 赋能产业区块链主题论坛》(三)

BlockChain:2020年7月10日世界人工智能大会WAIC《链智未来 赋能产业区块链主题论坛》(三) 目录 2020年7月10日世界人工智能大会WAIC《链智未来 赋能产业区块链主题论坛》 演讲嘉宾 演讲内容 ...

osc_8o71811p
51分钟前
0
0

没有更多内容

加载失败,请刷新页面

加载更多

返回顶部
顶部