【ML】使用线性回归预测UCI电厂发电量

0 前言

几种方法对比做该数据集的回归分析: github代码

文件说明：

• LR_global_path.py 全局文件路径
• readdata.py 读取数据，简单的特征统计显示
• LR_linreg.py 普通线性回归
• Ensembleplot.py 集成回归
• fullNet.py 全连接神经网络

该数据集是收集于联合循环发电厂的9568个数据点, 共包含5个特征: 每小时平均环境变量温度（AT），环境压力（AP），相对湿度（RH），排气真空（V）和净每小时电能输出（PE）, 其中电能输出PE是我们要预测的变量。
数据：介绍地址 下载地址

普通的回归：

• 线性回归（LinearRegression）
• 岭回归（RidgeCV、Ridge）
• 支持向量机线性回归（svm.SVR(kernel=‘linear’)）

集成回归学习方法：

• 随机森林回归（RandomForestRegressor）
• 极端树回归（ExtraTreesRegressor）
• 梯度提升回归（GradientBoostingRegressor）

全连接神经网络

简单线性回归：

集成回归：

全连接神经网络：

tensorboard 可以进一步展示数据流动方向和节点情况：