sklearn学习之：（5）回归算法拟合正弦曲线

任务描述

• 通过回归算法对正弦曲线（有噪声）进行拟合

实现细节

• 产生一组随机数，取值在 [0,20] 之间作为 x_train （训练数据）
• 对 x_train 取其正弦函数为 y_
• 由于在真正的数据集中，数据往往存在噪声，所以对 y_ 添加噪声作为 y_train （训练标签）
• 同样的方式，我们用另外一个随机状态 randstate(3) 来产生 x_test 和 y_test 作为测试数据和测试标签
• 使用 sklearn 库建立回归模型（可以是任何常用的回归模型：决策树回归、svm、线性回归。。。等，按照自己的喜好来即可）
• 通过回归模型对训练数据 x_train, x_test 进行拟合
• 用 x_test, y_test 数据来检测拟合的效果，得出评分
• 最后我们把 x_test 输入模型，得出训练好的模型对于 x_test 数据的预测曲线，可视化拟合效果

效果演示

• 这是 x_train, y_train 的训练数据曲线图

• 这是通过回归算法拟合出的曲线，在测试集上的精确度可以达到 91%（决策树回归算法）

全部代码

# 导入模块
import numpy as np
import matplotlib.pyplot as plt
import math

# 制作训练集和测试集
'''
训练集和测试集都用随机数产生，都是80个（0,1）之间的随机数，
将他们乘以 20 让其位于（0,20）之间的随机数，作为 x 数据
'''

rgn = np.random.RandomState(1)   # 产生训练集 x_train 的随机状态
rgn2 = np.random.RandomState(2)  # 产生噪声 noise 的随机状态
rgn3 = np.random.RandomState(3)  # 产生测试集 x_test 的随机状态

x_ = 20 * rgn.rand(80,1)
x_train = np.sort(x_,axis=0)          # x_train作为训练集数据

y_ = np.sin(x_train)
y_train = 1/2 * rgn2.rand(80,1) + y   # 添加噪声后的 y 作为训练的标签

plt.figure(figsize=(10,3))
plt.scatter(x,y_noise)
plt.plot(x,y_noise,color='red')
plt.show()

from sklearn.linear_model import LinearRegression
from sklearn.tree import DecisionTreeRegressor

# lr = LinearRegression()

x_ = 20 * rgn3.rand(80,1)
x_test = np.sort(x_,axis=0)

y_ = np.sin(x_test)
y_test = y_ + 1/2 * rgn2.rand(80,1)


reg = DecisionTreeRegressor()
reg.fit(x,y_noise)
score = reg.score(x_test,y_test)
y_predict = reg.predict(x_test)

plt.figure(figsize=(10,3))
plt.plot(x_test,y_test,color='orange',label='x_test,y_test')
plt.plot(x_train,y_train,color='red',label='x_train,y_train')
plt.plot(x_test,y_predict,color='black',label='x_test,y_predict')
plt.legend()
print(score)