ML之LiR&LassoR：利用boston房价数据集(PCA处理)采用线性回归和Lasso套索回归算法实现房价预测模型评估

最新推荐文章于 2022-06-09 20:57:10 发布
最新推荐文章于 2022-06-09 20:57:10 发布
阅读量5.2k 收藏 23
点赞数 7
分类专栏： ML DataScience
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_41185868/article/details/110150258
版权
ML 同时被 2 个专栏收录
506 篇文章 120 订阅
订阅专栏
DataScience
326 篇文章 64 订阅
订阅专栏

ML之LiR&LassoR：利用boston房价数据集(PCA处理)采用线性回归和Lasso套索回归算法实现房价预测模型评估

 

 

 

目录

利用boston房价数据集(PCA处理)采用线性回归和Lasso套索回归算法实现房价预测模型评估

设计思路

输出结果

核心代码

 

 

 

 

 

利用boston房价数据集(PCA处理)采用线性回归和Lasso套索回归算法实现房价预测模型评估

设计思路

更新……

 

 

 

输出结果

   Id  MSSubClass MSZoning  ...  SaleType  SaleCondition SalePrice
0   1          60       RL  ...        WD         Normal    208500
1   2          20       RL  ...        WD         Normal    181500
2   3          60       RL  ...        WD         Normal    223500
3   4          70       RL  ...        WD        Abnorml    140000
4   5          60       RL  ...        WD         Normal    250000

[5 rows x 81 columns]
numeric_columns 36 ['LotFrontage', 'LotArea', 'OverallQual', 'OverallCond', 'YearBuilt', 'YearRemodAdd', 'MasVnrArea', 'BsmtFinSF1', 'BsmtFinSF2', 'BsmtUnfSF', 'TotalBsmtSF', '1stFlrSF', '2ndFlrSF', 'LowQualFinSF', 'GrLivArea', 'BsmtFullBath', 'BsmtHalfBath', 'FullBath', 'HalfBath', 'BedroomAbvGr', 'KitchenAbvGr', 'TotRmsAbvGrd', 'Fireplaces', 'GarageYrBlt', 'GarageCars', 'GarageArea', 'WoodDeckSF', 'OpenPorchSF', 'EnclosedPorch', '3SsnPorch', 'ScreenPorch', 'PoolArea', 'MiscVal', 'MoSold', 'YrSold', 'SalePrice']
(1460, 36)
   LotFrontage  LotArea  OverallQual  ...  MoSold  YrSold  SalePrice
0         65.0     8450            7  ...       2    2008     208500
1         80.0     9600            6  ...       5    2007     181500
2         68.0    11250            7  ...       9    2008     223500
3         60.0     9550            7  ...       2    2006     140000
4         84.0    14260            8  ...      12    2008     250000


依次统计每列缺失值元素个数： 
 36 [259, 0, 0, 0, 0, 0, 8, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 81, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0]
Missing_data_Per_dict_0： (33, 0.9167, {'LotArea': 0.0, 'OverallQual': 0.0, 'OverallCond': 0.0, 'YearBuilt': 0.0, 'YearRemodAdd': 0.0, 'BsmtFinSF1': 0.0, 'BsmtFinSF2': 0.0, 'BsmtUnfSF': 0.0, 'TotalBsmtSF': 0.0, '1stFlrSF': 0.0, '2ndFlrSF': 0.0, 'LowQualFinSF': 0.0, 'GrLivArea': 0.0, 'BsmtFullBath': 0.0, 'BsmtHalfBath': 0.0, 'FullBath': 0.0, 'HalfBath': 0.0, 'BedroomAbvGr': 0.0, 'KitchenAbvGr': 0.0, 'TotRmsAbvGrd': 0.0, 'Fireplaces': 0.0, 'GarageCars': 0.0, 'GarageArea': 0.0, 'WoodDeckSF': 0.0, 'OpenPorchSF': 0.0, 'EnclosedPorch': 0.0, '3SsnPorch': 0.0, 'ScreenPorch': 0.0, 'PoolArea': 0.0, 'MiscVal': 0.0, 'MoSold': 0.0, 'YrSold': 0.0, 'SalePrice': 0.0})
Missing_data_Per_dict_Not0： (3, 0.0833, {'LotFrontage': 0.177397, 'MasVnrArea': 0.005479, 'GarageYrBlt': 0.055479})
Missing_data_Per_dict_under01： (2, 0.0556, {'MasVnrArea': 0.005479, 'GarageYrBlt': 0.055479})
依次计算每列缺失值元素占比： {'LotFrontage': 0.177397, 'MasVnrArea': 0.005479, 'GarageYrBlt': 0.055479}
data_Missing_dict {'LotFrontage': 0.1773972602739726, 'LotArea': 0.0, 'OverallQual': 0.0, 'OverallCond': 0.0, 'YearBuilt': 0.0, 'YearRemodAdd': 0.0, 'MasVnrArea': 0.005479452054794521, 'BsmtFinSF1': 0.0, 'BsmtFinSF2': 0.0, 'BsmtUnfSF': 0.0, 'TotalBsmtSF': 0.0, '1stFlrSF': 0.0, '2ndFlrSF': 0.0, 'LowQualFinSF': 0.0, 'GrLivArea': 0.0, 'BsmtFullBath': 0.0, 'BsmtHalfBath': 0.0, 'FullBath': 0.0, 'HalfBath': 0.0, 'BedroomAbvGr': 0.0, 'KitchenAbvGr': 0.0, 'TotRmsAbvGrd': 0.0, 'Fireplaces': 0.0, 'GarageYrBlt': 0.05547945205479452, 'GarageCars': 0.0, 'GarageArea': 0.0, 'WoodDeckSF': 0.0, 'OpenPorchSF': 0.0, 'EnclosedPorch': 0.0, '3SsnPorch': 0.0, 'ScreenPorch': 0.0, 'PoolArea': 0.0, 'MiscVal': 0.0, 'MoSold': 0.0, 'YrSold': 0.0, 'SalePrice': 0.0}
after dropna (1121, 36)
<class 'numpy.ndarray'>
      LotFrontage   LotArea  OverallQual  ...    MiscVal    MoSold    YrSold
0       -0.233570 -0.205885     0.570704  ...  -0.141407 -1.615345  0.153084
1        0.384834 -0.064358    -0.153825  ...  -0.141407 -0.498715 -0.596291
2       -0.109889  0.138702     0.570704  ...  -0.141407  0.990125  0.153084
3       -0.439705 -0.070512     0.570704  ...  -0.141407 -1.615345 -1.345665
4        0.549742  0.509132     1.295234  ...  -0.141407  2.106755  0.153084
...           ...       ...          ...  ...        ...       ...       ...
1116    -0.357251 -0.271480    -0.153825  ...  -0.141407  0.617915 -0.596291
1117     0.590968  0.375605    -0.153825  ...  -0.141407 -1.615345  1.651832
1118    -0.192343 -0.133030     0.570704  ...  14.947388 -0.498715  1.651832
1119    -0.109889 -0.049960    -0.878355  ...  -0.141407 -0.870925  1.651832
1120     0.178699 -0.022885    -0.878355  ...  -0.141407 -0.126505  0.153084

[1121 rows x 35 columns]
前10个主成分解释了数据中63.80%的变化
经过PCA后，进行第一层主成分分析-------------------------------------
[(0.16970682313415306, 'LotFrontage'), (0.1211669980146095, 'LotArea'), (0.3008665261375608, 'OverallQual'), (-0.1017783758120348, 'OverallCond'), (0.23754113423286216, 'YearBuilt'), (0.21067267847804322, 'YearRemodAdd'), (0.19125461510335365, 'MasVnrArea'), (0.14136511574315347, 'BsmtFinSF1'), (-0.013552848692716916, 'BsmtFinSF2'), (0.11439764110410199, 'BsmtUnfSF'), (0.259354275741638, 'TotalBsmtSF'), (0.2591780447881022, '1stFlrSF'), (0.11504305093601253, '2ndFlrSF'), (0.004231304806602964, 'LowQualFinSF'), (0.2877802164879641, 'GrLivArea'), (0.08317879411803167, 'BsmtFullBath'), (-0.02114280846249704, 'BsmtHalfBath'), (0.25499633884283257, 'FullBath'), (0.11080279874459822, 'HalfBath'), (0.1017767099777179, 'BedroomAbvGr'), (-0.01012145139988125, 'KitchenAbvGr'), (0.23572236584667458, 'TotRmsAbvGrd'), (0.17611466785004926, 'Fireplaces'), (0.23726651555979883, 'GarageYrBlt'), (0.2831568046802727, 'GarageCars'), (0.279827792756442, 'GarageArea'), (0.13036585867815073, 'WoodDeckSF'), (0.16664693092097654, 'OpenPorchSF'), (-0.08602539908222213, 'EnclosedPorch'), (0.010532579475601184, '3SsnPorch'), (0.02556170369869493, 'ScreenPorch'), (0.06246570190310543, 'PoolArea'), (-0.015493399959318557, 'MiscVal'), (0.028399126033275164, 'MoSold'), (-0.011129722622237775, 'YrSold')]
[(0.3008665261375608, 'OverallQual'), (0.2877802164879641, 'GrLivArea'), (0.2831568046802727, 'GarageCars'), (0.279827792756442, 'GarageArea'), (0.259354275741638, 'TotalBsmtSF'), (0.2591780447881022, '1stFlrSF'), (0.25499633884283257, 'FullBath'), (0.23754113423286216, 'YearBuilt'), (0.23726651555979883, 'GarageYrBlt'), (0.23572236584667458, 'TotRmsAbvGrd'), (0.21067267847804322, 'YearRemodAdd'), (0.19125461510335365, 'MasVnrArea'), (0.17611466785004926, 'Fireplaces'), (0.16970682313415306, 'LotFrontage'), (0.16664693092097654, 'OpenPorchSF'), (0.14136511574315347, 'BsmtFinSF1'), (0.13036585867815073, 'WoodDeckSF'), (0.1211669980146095, 'LotArea'), (0.11504305093601253, '2ndFlrSF'), (0.11439764110410199, 'BsmtUnfSF'), (0.11080279874459822, 'HalfBath'), (0.1017767099777179, 'BedroomAbvGr'), (0.08317879411803167, 'BsmtFullBath'), (0.06246570190310543, 'PoolArea'), (0.028399126033275164, 'MoSold'), (0.02556170369869493, 'ScreenPorch'), (0.010532579475601184, '3SsnPorch'), (0.004231304806602964, 'LowQualFinSF'), (-0.01012145139988125, 'KitchenAbvGr'), (-0.011129722622237775, 'YrSold'), (-0.013552848692716916, 'BsmtFinSF2'), (-0.015493399959318557, 'MiscVal'), (-0.02114280846249704, 'BsmtHalfBath'), (-0.08602539908222213, 'EnclosedPorch'), (-0.1017783758120348, 'OverallCond')]
经过PCA后，进行第二层主成分分析-------------------------------------
[(0.037140668512444255, 'LotFrontage'), (0.005762269875424171, 'LotArea'), (-0.02265545744738413, 'OverallQual'), (0.06797580738610676, 'OverallCond'), (-0.22034458100877843, 'YearBuilt'), (-0.11769773674122082, 'YearRemodAdd'), (-0.02330741979867707, 'MasVnrArea'), (-0.26830830083400875, 'BsmtFinSF1'), (-0.06776753790369254, 'BsmtFinSF2'), (0.10349973537774373, 'BsmtUnfSF'), (-0.2014230745261159, 'TotalBsmtSF'), (-0.14501101153644946, '1stFlrSF'), (0.43960496790131565, '2ndFlrSF'), (0.11932040000909688, 'LowQualFinSF'), (0.2706724094458561, 'GrLivArea'), (-0.2741406761479087, 'BsmtFullBath'), (-0.001880261013674545, 'BsmtHalfBath'), (0.12608264523927462, 'FullBath'), (0.23358978781221817, 'HalfBath'), (0.3864399252645517, 'BedroomAbvGr'), (0.12179545892853964, 'KitchenAbvGr'), (0.3371810668951179, 'TotRmsAbvGrd'), (0.06581774146310777, 'Fireplaces'), (-0.1834261688794573, 'GarageYrBlt'), (-0.04640661259007604, 'GarageCars'), (-0.08613653500685643, 'GarageArea'), (-0.047991361825782064, 'WoodDeckSF'), (0.03130768246434415, 'OpenPorchSF'), (0.13376424222015906, 'EnclosedPorch'), (-0.02564456693744644, '3SsnPorch'), (0.04211790221668751, 'ScreenPorch'), (0.03032238859229474, 'PoolArea'), (0.04968459727862472, 'MiscVal'), (0.02754218343139985, 'MoSold'), (-0.04555808126996797, 'YrSold')]
[(0.43960496790131565, '2ndFlrSF'), (0.3864399252645517, 'BedroomAbvGr'), (0.3371810668951179, 'TotRmsAbvGrd'), (0.2706724094458561, 'GrLivArea'), (0.23358978781221817, 'HalfBath'), (0.13376424222015906, 'EnclosedPorch'), (0.12608264523927462, 'FullBath'), (0.12179545892853964, 'KitchenAbvGr'), (0.11932040000909688, 'LowQualFinSF'), (0.10349973537774373, 'BsmtUnfSF'), (0.06797580738610676, 'OverallCond'), (0.06581774146310777, 'Fireplaces'), (0.04968459727862472, 'MiscVal'), (0.04211790221668751, 'ScreenPorch'), (0.037140668512444255, 'LotFrontage'), (0.03130768246434415, 'OpenPorchSF'), (0.03032238859229474, 'PoolArea'), (0.02754218343139985, 'MoSold'), (0.005762269875424171, 'LotArea'), (-0.001880261013674545, 'BsmtHalfBath'), (-0.02265545744738413, 'OverallQual'), (-0.02330741979867707, 'MasVnrArea'), (-0.02564456693744644, '3SsnPorch'), (-0.04555808126996797, 'YrSold'), (-0.04640661259007604, 'GarageCars'), (-0.047991361825782064, 'WoodDeckSF'), (-0.06776753790369254, 'BsmtFinSF2'), (-0.08613653500685643, 'GarageArea'), (-0.11769773674122082, 'YearRemodAdd'), (-0.14501101153644946, '1stFlrSF'), (-0.1834261688794573, 'GarageYrBlt'), (-0.2014230745261159, 'TotalBsmtSF'), (-0.22034458100877843, 'YearBuilt'), (-0.26830830083400875, 'BsmtFinSF1'), (-0.2741406761479087, 'BsmtFullBath')]
不进行PCA的线性回归的MSE是1644140595.6636596
前10个PCA主成分进行线性回归的MSE是1836601962.4751632
[1e-10, 1e-09, 1e-08, 1e-07, 1e-06, 1e-05, 0.0001, 0.001, 0.01, 0.1]
[1642818822.3530025, 1642818822.3529558, 1642818822.3524888, 1642818822.3471866, 1642818822.3005185, 1642818821.7415214, 1642818817.1179569, 1642818756.7038794, 1642818283.0732899, 1642813588.5752773]
[1e-10, 1e-09, 1e-08, 1e-07, 1e-06, 1e-05, 0.0001, 0.001, 0.01, 0.1]
[1836601962.4751682, 1836601962.4752123, 1836601962.475657, 1836601962.480097, 1836601962.5245085, 1836601962.9652405, 1836601967.4063494, 1836602011.8174434, 1836602455.9288514, 1836606882.1034737]

 

 

核心代码

PCA
class TruncatedSVD Found at: sklearn.decomposition._truncated_svd

class TruncatedSVD(TransformerMixin, BaseEstimator):
    """Dimensionality reduction using truncated SVD (aka LSA).
    
    This transformer performs linear dimensionality reduction by means of
    truncated singular value decomposition (SVD). Contrary to PCA, this
    estimator does not center the data before computing the singular value
    decomposition. This means it can work with sparse matrices
    efficiently.
    
    In particular, truncated SVD works on term count/tf-idf matrices as
    returned by the vectorizers in :mod:`sklearn.feature_extraction.text`. In
    that context, it is known as latent semantic analysis (LSA).
    
    This estimator supports two algorithms: a fast randomized SVD solver, 
     and
    a "naive" algorithm that uses ARPACK as an eigensolver on `X * X.T` or
    `X.T * X`, whichever is more efficient.
    

LinearRegression 
class LinearRegression Found at: sklearn.linear_model._base

class LinearRegression(MultiOutputMixin, RegressorMixin, LinearModel):
    """
    Ordinary least squares Linear Regression.
    
    LinearRegression fits a linear model with coefficients w = (w1, ..., wp)
    to minimize the residual sum of squares between the observed targets in
    the dataset, and the targets predicted by the linear approximation.
    

Lasso 
class Lasso Found at: sklearn.linear_model._coordinate_descent
class Lasso(ElasticNet):
    """Linear Model trained with L1 prior as regularizer (aka the Lasso)
    
    The optimization objective for Lasso is::
    
    (1 / (2 * n_samples)) * ||y - Xw||^2_2 + alpha * ||w||_1
    
    Technically the Lasso model is optimizing the same objective function as
    the Elastic Net with ``l1_ratio=1.0`` (no L2 penalty).
    
    Read more in the :ref:`User Guide <lasso>`.

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

一个处女座的程序猿
关注
  • 7
    点赞
  • 踩
  • 23
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 1
    评论
专栏目录
Matlab:多目标约束优化问题测试集LIR-COMP
05-25
%% 测试集：多目标约束优化问题LIR-CMOP %% 文献来源：An improved epsilon constraint-handling method in MOEA/D for CMOPs with large infeasible regions %% 使用说明： %LIR_CMOP.m：表示多目标约束问题的目标函数 %Inequality.m:表示多目标约束问题的约束函数 在使用的时候，只需要输入自变量x与测试类型type就可以
LIR2450-USB-Charger:通过 USB 为 LIR2560 纽扣电池充电。 基于 MCP73831
06-03
LIR2450 USB 充电器 警告：电路板到货，电路确实为纽扣电池充电，但充满电的 LED 指示灯不工作。 目前我不知道为什么。 任何提示表示赞赏。 我开始使用低功耗设备（Arduino、BLE 4.0）做很多事情，纽扣电池是一种方便的电源。 最近我发现甚至还有可充电的纽扣电池。 这就是为什么我需要一个充电器。 只有少数型号价格昂贵或我认为充电电流过高。 所以我自己做了。 它基于 。 在 OSHPARK 以 13.60 美元的价格订购三块 PCB： 有两种充电模式： 快速 (45mA) 慢 (25mA) 纽扣电池的最大充电电流通常在其容量的 80% 到三分之二之间。 所以你可以用 80mA 的电流给 100mA 的纽扣电池充电。 我想延长纽扣电池的使用寿命并降低充电电流。 如果你想有不同的电流，这里是计算 R_SLOW/R_FAST 的公式： mA = 1000 / R in
Flir_FLIR热数据集_spitemeu_机器学习雷达_thermalimage_机动_源码
10-02
适用于算LIR热传感器通过提供激光雷达、雷达和可见光相机之外的补充数据集，在完全漆黑、烟雾、恶劣天气和眩光等具有挑战性的天气条件下，可检测并区分行人、骑行者、动物和机动车辆。检测范围是普通前大灯的四倍。在与可见光数据和从激光雷达和雷达获得的距离扫描数据相结合时，热数据配上机器学习功能，打造更全面的检测和分类系统法训练的免费FLIR热数据集
分别用普通线性回归、岭回归、Lasso回归对boston房价进行预测，比较效果
不凡De老五
12-12 6786
用普通线性回归、岭回归、Lasso回归模型进行预测，并评估各中模型的效果
python sklearn数据集及分析方法
rankiy的博客
08-20 3705
python sklearn数据集及分析方法 sklearn库 数据集 小数据集： 数据信名称 调用方式 适用算法 数据规模 波士顿房价数据集 load_boston() 回归 506*13 鸢尾花数据集 load_iris() 分类 150*4 糖尿病数据集 load_diabetes() 回归 442*10 手写数字数据集 load_digits() 分类 5620...
机器学习作业之波士顿房价（boston）数据分析与绘图（注释我都写了这么多，我不信你还看不懂？）
ac不知深的博客
10-10 6249
目录一、前言二、简单介绍头文件1、sklearn头文件意外2、其他头文件三、题目理解1、题目的简单介绍2、属性标签3、降维比喻四、代码1、代码及注释2、代码缺点 一、前言 看我前几篇文章的小伙伴都知道，最近一直在学习机器学习相关内容 学校里也开了这门课，有个很经典的作业就是利用机器学习知识预测波士顿房价 网上也有非常多相关介绍，但是一个个函数及参数我是真的不明白啥意思 索性干脆就自己学完写一个初学者也能很好上手的代码 不过还是需要对读者提些要求： 1、需要简单了解python基础知识 2、会简单使用pyc
Python 波士顿房价数据主成分PCA分析降维
wwxy1995的博客
08-12 3233
import pandas as pd import matplotlib.pyplot as plt import numpy as np from sklearn import datasets,metrics from sklearn.linear_model import LinearRegression from sklearn.model_selection import train...
采用线性回归对波士顿房价数据集进行建模
Greg_Han_的博客
06-09 1221
波士顿房价利用线性回归进行建模
Python中LARS和Lasso回归之最小角算法Lars分析波士顿住房数据实例
大数据部落
07-22 912
回归算法最小角回归（LARS）通过高维数据的线性组合提供变量。它与正向逐步回归有关。在这种方法中，在每个步骤中选择最相关的变量，其方向在两个预测因子之间是等角的。 在本教程中，我们将学习如何用Python中的LARS和Lasso Lars算法拟合回归数据。我们将在本教程中估计住房数据集。这篇文章包括 准备数据 如何使用LARS 如何使用Lasso LARS 让我们从加载所需的包开始。 from sklearn import linear_model 准备数据 我们将加载波士......
机器学习入门实践——线性回归模型（波士顿房价预测）
热门推荐
qq_43299522的博客
09-21 4万+
机器学习入门实践——线性回归模型（波士顿房价预测） 一、背景介绍 给定一个大小为????的数据集 {????????,????????1,…,????????????}????????=1，其中????????1,…,????????????是第????个样本????个属性上的取值，????????是该样本待预测的目标。线性回归模型假设目标????????可以被属性间的线性组合描述，即 ????????=????1????????1+????2????????2+…+????????????????????
机器学习实验(Lasso求解算法预测波士顿房价)实验报告和代码
11-25
1.自编 Lasso 算法，求解方法不限（最小角度规划和快速迭代收缩阈值 FIST 或者其他），说明采用的是何种类型求解方法。2.基于波士顿房价数据集，采用自编 Lasso 算法预测波士顿房价。共 506 个样本，前一半样本作为训练集，后一半样本作为测试集。给出模型在 RMSE 指标上的表现。3. 使用 scikit-learn 实现的回归算法（至少 3 种）来预测波斯顿房价，并对比结果。
岭回归 LASSO回归 （python 实现）
09-27
代码功能介绍在《初探 岭回归 LASSO回归 （python 实现）》中有详细的介绍，文章中若有不正确的，也希望能够不吝赐教，相互学习。
lasso_alpha（调超参）
05-19
人工智能类的程序包含许多超参数的调节，超参数调节的实战案例
ADMM for Lasso
09-29
本人自己编写的，使用R语言，通过并行运算实现ADMM算法求解Lasso的程序，对于学习R语言并进行并行计算和分布式统计计算很有帮助。
matlab的slam代码-LIR-SLAM:基于MATLAB的SLAM
06-03
matlab的slam代码
cozy-alir:将 Àlir 安装到 CozyCloud 实例的包装器
06-13
温馨之家用于将安装到 CozyCloud 实例的包装器。 Àlir 是一个 Web 应用程序，即使离线也可以轻松阅读 Web 内容。
【研究生工作周报】（第三周）
wangyunpeng33的博客
05-29 746
学习目标： 吴恩达深度学习课程《神经网络与深度学习》 浅层神经网络 深层神经网络 机器学习十大算法 线性回归 逻辑回归 决策树 SVM 朴素贝叶斯 K最近邻算法 K均值算法 随机森林算法 降维算法 Gradient Boost 和 Adaboost 算法 学习内容： 搭建 Java 开发环境 sklearn库常用算法调用 用鸢尾花数据集完成 学习时间： 5.22 ~ 5.28 学习产出： CSDN 技术博客 1 篇 github代码 sklearn
主成份分析与因子分析
雨中怡然
12-08 1万+
 转载自网站 http://www.math.pku.edu.cn/teachers/lidf/docs/statsoft/html/statsoft.html 作者：北京大学概率统计系 李东风现实中的统计对象经常用多个指标来表示，比如人口普查，就可以有姓名、性别、出生年月日、籍贯、婚姻状况、民族、政治面貌、地区等，企业调查，可以 有净资产、负债、盈利、职工人数、还贷情况等
机器学习项目实战——01回归算法之波士顿房价预测
weixin_45823221的博客
04-19 1709
使用的数据集在sklearn库里存在。 对于数据集的描述： 数据每两个之间都有关系，存在多重线性关系，若用回归算法，则需采用岭回归、LASSO回归以及弹性网等。 代码使用LASSO回归实现 from sklearn.datasets import load_boston import numpy as np import pandas as pd import matplotlib.pyplot as plt from sklearn.linear_model import LassoCV .
java: 程序包org.graalvm.compiler.lir不存在
最新发布
12-06
根据提供的引用内容，可能是由于缺少GraalVM的编译器导致的。可以尝试以下步骤解决该问题： 1. 确保已经正确安装了GraalVM，并且已经将其添加到了环境变量中。 2. 确保已经正确安装了native-image包，可以在控制台中...

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

一个处女座的程序猿

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值