机器学习:SKlearn回归模型调包练习

这篇博客主要介绍了通过观看录播并实践,作者对SKlearn中的常见回归模型进行了操作,理解了基本使用流程。然而,对于模型的具体参数,作者意识到需要更深入的学习。
摘要由CSDN通过智能技术生成

看了录播后照着代码敲了一遍 sklearn常用分类回归算法简介 对能了解SKlearn常规套路,但模型具体的参数需要进一步了解。

# 引入必要的第三方包
from sklearn.cross_validation import train_test_split
from sklearn import metrics
import pandas as pd 
import time

# 读数据,并进行处理
data = pd.read_csv('/home/whn/Downloads/all_window.csv').fillna(0,axis=1)
X = data.drop('label',axis=1)
# min_max_scale = StandardScaler()
# X = min_max_scale.fit_transform(X)
y = data['label']
history = []
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.1, random_state=0)

# 线性回归:LR、Rigde(L2) 和 Lasso(L1)
from sklearn import linear_model

start = time.time()
reg = linear_model.LinearRegression()
reg.fit(X_train, y_train)
end = time.time()
y_pred = reg.predict(X_test)
loss = metrics.mean_squared_error(y_test, y_pred)
name = 'LinearRegression'
history.append([name,loss,end-start])

start = time.time()
reg = linear_model.Ridge()
reg.fit(X_train, y_train)
end = time.time()
y_pred = reg.predict(X_test)
loss = metrics.mean_squared_error(y_test, y_pred)
name = 'Rigde'
history.append([name,loss,end-start])

start = time.time()
reg = linear_model.Ridge(alpha=0.5)
reg.fit(X_train, y_train)
end = time.time()
y_pred = reg.predict(X_test)
loss = metrics.mean_squared_error(y_test, y_pred)
name = 'Ridge_alpha=0.5'
history.append([name,loss,end-start])

start = time.time()
reg = linear_model.Lasso()
reg.fit(X_train, y_train)
end = time.time()
y_pred = reg.predict(X_test)
loss = metrics.mean_squared_error(y_test, y_pred)
name = 'Lasso'
history.append([name,loss,end-start])

start = time.time()
reg = linear_model.Lasso(alpha=2)
reg.fit(X_train<
  • 2
    点赞
  • 15
    收藏
    觉得还不错? 一键收藏
  • 2
    评论
评论 2
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
实付
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