深度学习模型预测
文章平均质量分 64
白日梦想家_胖七七
这个作者很懒,什么都没留下…
展开
-
python-sklearn模型通用方法的介绍
fitget_paramspredictscoreset_params假设训练好的模型名称为clf。原创 2022-10-20 09:16:08 · 1266 阅读 · 0 评论 -
过拟合和欠拟合
在训练集上表现好,在测试集上表现差,模型的泛化性能低。(学习器把训练样本学得太好了,很可能已经把训练样本自身的一些特点当作了所有潜在样本都会具有的一般性质)原创 2022-10-13 21:17:56 · 308 阅读 · 0 评论 -
论文翻译之——《基于XGBoost的房价预测优化》-陶然
摘要:客观来说,房价受到诸多因素的制约,正因如此,房价预测仍然是数据分析中一个非常经典且具有挑战性的问题.本文针对房价数据冗余,在实际场景中很难确定重要特征,提出了一种创新的数据预处理方式,并通过双模型迭代拟合的方式进行数据预测.首先从数据意义、数据形式和数据关联性三个方面进行初始数据预处理,然后根据数据选择适合的模型进行训练.在传统机器学习中,Random Forest和XGBoost是两种常用的方法.RF模型通过其Bagging 过程,能够准确地评判“冗余”特征,而XGB模型在提高预测效果的同时,也囿于原创 2022-10-06 21:20:43 · 3392 阅读 · 0 评论 -
机器学习——时间序列预测方法
目录传统时序建模自回归模型(Autoregressive model,简称AR)移动平均模型(Moving Average model,简称MA )自回归滑动平均模型(Autoregressive moving average model,简称ARMA)差分整合移动平均自回归模型(AutoregressiveIntegratedMovingAverage model,简称ARIMA)机器学习模型方法深度学习模型方法传统时序建模自回归模型(Autoregressi...原创 2022-05-05 21:59:33 · 7006 阅读 · 3 评论 -
机器学习——解决模型过拟合问题
前言本文是微信公众号深度学习初学者的一篇文章,为防止文章被和谐,特在此记录一下。公众号原文连接:机器学习基础:六种方法帮你解决模型过拟合问题 (qq.com)内容参考原文链接:https://mahithas.medium.com/overfitting-identify-and-resolve-df3e3fdd2860正文在机器学习中,过拟合(overfitting)会使模型的预测性能变差,通常发生在模型过于复杂的情况下,如参数过多等。本文对过拟合及其解决方法进行了归纳阐述。正如..转载 2022-04-29 16:59:50 · 268 阅读 · 0 评论 -
机器学习——随机森林
回归预测1.划分数据集读取数据后,先划分出自变量x和因变量y(不做过多解释),然后进行训练集和测试集的划分(划分方法如下)。from sklearn.model_selection import train_test_splitX_train,X_test,y_train,y_test = train_test_split(x,y,test_size=0.2)#划分训练集和测试集,20%作为测试集,80%作为训练集2.模型训练与预测random_model = RandomFore原创 2022-04-15 16:54:28 · 1267 阅读 · 0 评论 -
机器学习——特征工程(实战)
onehot编码——类别字段机器学习中,对于一些类别字段,计算机是不能直接进行识别的。例如某个数据集中,动物类别分为cat、dog、turtle、fish等,可以通过onehot编码将其转换成计算机所能识别的数字。 pet cat dog turtle fish cat cat dog turtle fish 1 0 0 0 0 1 0 0 0 0 1 0 0 0原创 2022-04-15 16:27:44 · 1366 阅读 · 0 评论 -
Python将字符串str格式的数据转换成datetime格式数据(为时序预测做准备)
1.导入数据,并查看初始时时间数据的格式和类型data = pd.read_csv('1.csv',encoding='gb2312')time = data["时间"]print(type(time[0])) #查看时间数据的格式类型print(time)2.str转datetime数据虽然为str类型,但是有一定的模板格式——"年-月-日-小时:分钟:秒.毫秒"data['date'] = pd.to_datetime(data['时间'], format='%Y-%m-原创 2022-04-08 10:21:07 · 16468 阅读 · 1 评论 -
深度学习-模型预测(论文笔记)
一、Traffic Flow Prediction with Big Data:A deep Learning Approach-摘要:浅层交通模型已经不能满足真实世界的应用,提出了一种同时考虑时间和空间内在联系的基于深度学习的预测方法。堆叠自编码器模型采用贪婪分层的方式,学习产生的交通流量特点。实验证明本文提出的方法在交通流量预测方面有很高的性能。-1.介绍:交通流量预测主要依赖于历史数据和来自各种传感器的实时数据(感应涡流、雷达、相机、GPS、社交媒体)。现有的交通流量预测系统和模型都是采用浅层原创 2021-09-05 14:44:31 · 6018 阅读 · 0 评论