博文配套视频课程:24小时实现从零到AI人工智能
模型保存与加载
训练好的模型可以先保存起来,下一次可以使用时直接加载即可,这样既节省了时间也提高了效率
from sklearn.externals import joblib
try:
lr = joblib.load("../data/lr.pkl")
print('已加载现有模型')
except:
lr = LinearRegression()
lr.fit(X_train, y_train)
joblib.dump(lr,"../data/lr.pkl")
# 预测数据
y_predict = lr.predict(X_test)
score = lr.score(X_test, y_test)
print('测试集预测率:', score)
print('梯度下降均方误差为:', mean_squared_error(y_test, y_predict))
机器学习正确率
请注意识别的正确率还得结合具体的场景才显得有意义,例如:人工智能语音识别率已经达到98%,这是还不错,可以用于商用了,但是指纹识别率达到了99%,那这个技术还是不及格,这意味着每100个人的指纹,就有一个出错,那在机场和火车站这样大人流的情况下,根本就没法用。所以正确率必须代入具体的场景才会显得有意义
线性回归总结
- 没有超参数 只能解决回归问题 (如果要解决分类问题,则可以使用逻辑回归)
- 对数据有假设:数据与输出结果之间有一定的线性关系
- 优点:白盒子算法,对数据具有很强的解释型