这篇博客详细记录了机器学习中常见的模型构建过程，包括数据划分、数据标准化及回归、分类、聚类和推荐算法。涉及线性回归、Lasso、Ridge、Logistic、KNN、决策树、随机森林、GBDT等模型，并提供了相应的Python代码实现。
数据挖掘路上点点滴滴，记录下机器学习常用模型（附代码），持续更新
数据划分
x_train1, x_test1, y_train1, y_test1 = train_test_split(x, y, train_size=0.8, random_state=14)
数据标准化
树类模型不需要，使数据符合N(0,1)分布。很多ML的算法要求训练的输入参数的平均值是0并且有相同阶数的方差例如:RBF核的SVM，L1和L2正则的线性回归
from sklearn.preprocessing import StandardScaler
ss= StandardScaler()
x_train=ss.fit_transform(x_train)
x_test=ss.transform(x_test)
回归：
线性回归算法模型构建
lr = LinearRegression()
lr.fit(x_train,y_train)
lr_y_test_hat = lr.predict(x_test)
lr_score = lr.score(x_test, y_test)
print ("lr:", lr_score)
Lasso回归算法模型构建
from sklearn.linear_model import Lasso
lasso = LassoCV(alphas=np.logspace(-3,1,20))
最低0.47元/天 解锁文章
5094
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
