目录
1 模型的加载和保存
1.1 保存
- joblib.dump(rf,"test.pkl")
1.2 加载
- estimator=joblib.load("test.pkl")
1.3 代码实现
- fit之后再进行模型的保存
- 加载的模型也有.predict函数也可以进行预测
#正规方程求解方程式预测结果
lr=LinearRegression()
lr.fit(x_train,y_train)
print("这里是回归系数:",lr.coef_)
#保存训练好的模型
joblib.dump(lr,"./tmp/test.pkl")
#预测房价结构或
model=oblib.load("./tmp/test.pkl")
y_predict=std_y.inverse_transform(model.predict(x_test))
print("保存的模型的预测结果:",y_prerdict)
2 逻辑回归
2.1 特点
- 线性回归的式子作为输入
- 二分类
- 能获得出概率值
- sigmoid函数输出[0,1]区间的概率值,默认0.5作为阀值(>0.5看成1,<0.5看成0)
2.2 损失函数、优化
2.2.1 损失函数计算
2.2.2对数似然损失计算
真实二分类值:[1,0,0,1]
阈值:0.5
属于1的概率:[0.6,0.1,0.51,0.7]
判断的二分类值:[1,0,1,1]
损失值:1log(0.6)+0log(0.1)+0log(0.51)+1log(0.7)
2.2.3 梯度下降法优化
- 均方误差的损失函数只有一个最小值,而对数似然函数的最小值有多个,所以有局部最小值
- 这是目前解决不了的问题
- 优化的方法是梯度下降法
- 尽量改善的方法:1、多次随机初始化,多次比较最小结果 2、求解过程中,调整学习率
- 尽管没有全局最低点,但是机器学习的效果还是很好的