Python每日一记10>>>回归算法

最新推荐文章于 2022-02-23 11:12:24 发布
最新推荐文章于 2022-02-23 11:12:24 发布
阅读量185 收藏
点赞数
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/weixin_44663675/article/details/88093295
版权

1、回归模型的构建与评价
回归于分类算法的区别在于回归的标签是连续的，分类的标签是离散的，回归有很多算法，如下介绍线性回归：
在这里插入图片描述
在这里插入图片描述
经过回归建模和预测，我们得到预测的房价。

对于回归模型的评价，由于回归的标签是连续的，不同于分类模型等，因此其评价模型有一定的不同，主要的指标是可解释方差值和R平方值，越接近于1，模型效果越好。如下

在这里插入图片描述
我们得到结果为0.7左右，表明模型整体拟合效果较好。

小问题：我们能建模，能预测，能评价，如何得出这个方程呢？

教练 我想学编程
关注
Python-----算法（回归算法）
supersusususu的博客
07-15 530
线性回归： 线性关系： 在二维中数据呈直线关系被称之为线性关系 线性关系模型： ????????=????1????1+????2????2+…+????????????????+???? w为权重，b称为偏置项，可以理解为：????0×1 损失函数： 每个回归都有损失函数，目的减少误差值 •y_i为第i个训练样本的真实值 •h????(????????)为第????个训练样本特征值组合预测函数 总损失定义： J(θ)= 〖〖(h〗_w (x〗_1) -y_1 )^2+〖〖
机器学习（1）——回归算法
weixin_40593658的博客
10-01 664
一、导入 1.1有监督问题和无监督问题 首先说一下有监督问题和无监督问题，所谓有监督问题呢 就是在模型训练过程中有标签数据，反之，无监督学习是没有标签数据的。 1.2回归和分类 什么是回归呢？通俗来说，最终的预测结果是一个数，就是回归；预测结果是一个类别，那就是分类。 二、线性回归 2.1 线性回归的定义 接下来。。。。转载转载。。。。 线性回归需要一个线性模型，属于监督学习，因此方法和监督学...
python统计excel文本单元格_Python获取excel内容，写数据到excel,设置单元格样式
weixin_39532352的博客
11-27 198
Python没有自带openyxl，需要安装: pip install openyxl打开excel文档: openyxl.load_workbook(excel地址) - 打开现有excel文件openyxl.Workbook() - 新建一个excel文件返回一个工作博对象importopenpyxlwb= openpyxl.load_workbook("test.xlsx")print(ty...
罗杰斯特回归
莫大逗比嘟嘟
08-27 7124
1. 罗杰斯特回归(Logistic)函数 hθ=g(θTx)=11+e−θTxhθ=g(θTx)=11+e−θTxh_\theta=g(\theta^Tx)=\frac{1}{1+e^{-\theta^Tx}} 2. 罗杰斯特回归最基本的学习算法是最大似然法 设共有nnn个独立的训练样本，其中n1n1n_1个属于w1w1w_1类，n2n2n_2个属于w2w2w_2类，将两类的输出分别编码为...
python 进行各种回归
qq_41081716的博客
05-05 2917
基本回归：线性、决策树、SVM、KNN 集成方法：随机森林、Adaboost、GradientBoosting、Bagging、ExtraTrees ##学会了数据分层抽样，以及各种回归的代码书写。可能还需要注意调参等。 继续学习网址：使用sklearn做各种回归 数据准备 from matplotlib import pyplot as plt %matplotlib inline plt.st...
Python每日一记13>>>线性回归
教练我想学编程
03-14 218
K最近邻算法既可以用于分类，也可以回归，是最简单易懂的方法，但是并不常用。下面介绍线性模型算法 1、线性回归模型 得出预测值，评分，方程截距和系数 2、以上是基本的线性回归模型，存在较多的局限性，因为显示生活中的数据很复杂，我们需要找到一个能控制模型复杂度的模型来模拟现实的复杂数据。接下来就介绍岭回归： 岭回归是能设置参数避免过拟合（过拟合就是训练集表现好但是测试集表现不好，欠拟合则相反） ...
Python每日一记12>>>K最近邻算法
教练我想学编程
03-14 143
现在起，再复习一遍机器学习sklearn的基础知识，在期间有遇到其他板块的知识，将会进行扩展。 1、K最近邻算法用于分类，如下： 我们得到测试集的预测类别，进行评分结果为0.992,说明模型效果很好。 2、K最近邻算法用于回归，如下： 我们得到测试集的预测结果，数值，不是类别，进行评分结果为0.86,说明模型效果较好。 ...
Python每日一记21>>>交叉验证
java
08-16 239
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/weixin_44663675/article/details/88736723 ...
Python每日一记22>>>网格搜索
教练我想学编程
03-24 1091
之前介绍了交叉验证，交叉验证是综合评估模型泛化能力的方法，相对于仅仅将数据集划分为训练集和测试集而言，其更加具有普遍性。 为了继续优化模型的泛化能力，我们需要更深入的调参步骤。 我们知道，大部分的模型依赖于参数的调节达到模型更好的得分结果，但是频繁的调参是一个艰巨的任务，而且有可能费力不讨好，那么网格搜索将会大大减轻我们的负担，所谓网格搜索，就是将参数按照网格的形式排列，再利用循环进行一一建模，得...
Python统计机器学习每日作业.zip
04-02
在机器学习的过程中，算法会通过识别和挖掘数据中的模式来构建一个模型，这个模型可以用于做出预测、分类、聚类、回归以及其他复杂的数据驱动决策。 机器学习的主要类型包括监督学习、无监督学习和半监督学习。在...
用Python分析etf投资记录数据
08-16
利用机器学习算法，如线性回归、随机森林、神经网络等，建立预测模型，预测未来的ETF价格走势。 9. 数据可视化： 使用matplotlib、seaborn或plotly等库，创建美观且信息丰富的图表，帮助理解数据和模型结果。 10...
逻辑回归分类python实例_Python逻辑回归原理及实际案例应用
weixin_36023533的博客
12-30 1263
前言目录1. 逻辑回归2. 优缺点及优化问题3. 实际案例应用4. 总结正文在前面所介绍的线性回归, 岭回归和Lasso回归这三种回归模型中, 其输出变量均为连续型, 比如常见的线性回归模型为:其写成矩阵形式为:现在这里的输出为连续型变量, 但是实际中会有'输出为离散型变量'这样的需求, 比如给定特征预测是否离职(1表示离职, 0表示不离职). 显然这时不能直接使用线性回归模型, 而逻辑回归就派上...
基于Python实现五大常用分类算法(原理+代码)
热门推荐
weixin_57712785的博客
02-23 1万+
编程算法常用
python线性回归做预测天气_Python线性回归实例：预测自行车流量
weixin_28811227的博客
01-13 2855
下面来尝试预测美国西雅图弗雷蒙特桥的自行车流量，数据源自不同天气、季节和其他条件下通过该桥的自行车统计数据。我们在 3.12 节见过这些数据。在本节中，我们将自行车数据与其他数据集连接起来，确定哪些天和季节因素(温度、降雨量和白昼时间)会影响通过这座桥的自行车流量。NOAA 已经提供了每日的站点天气预报(http://www.ncdc.noaa.gov/cdo-web/searchdataseti...
为Matlab 用户提供丰富功能的工具集
11-03
Matlab 用户提供丰富功能的工具集。 从优点来看，其涵盖了诸多实用的功能模块。例如在计算机视觉和图像处理领域，可能包含了图像特征提取、目标检测、图像分割等常用算法的实现，这为相关领域的研究人员和开发者节省了大量的时间和精力，无需从头编写复杂的算法代码，提高了开发效率。工具包的文档相对较为详细，能够帮助用户快速上手并理解各个函数和工具的使用方法，降低了使用门槛。同时，它可能具有较好的兼容性，能够与 Matlab 的原生功能和其他常用工具箱协同工作，方便用户整合到自己的项目中。 1、资源项目源码均已通过严格测试验证，保证能够正常运行； 2、项目问题、技术讨论，可以给博主私信或留言，博主看到后会第一时间与您进行沟通； 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用，尤其对于人工智能、计算机科学与技术等相关专业，更为适合； 4、下载使用后，可先查看README.md文件（如有），本项目仅用作交流学习参考，请切勿用于商业用途。
技术资料分享KXTE9-2050 Specifications Rev 3非常好的技术资料.zip
11-03
技术资料分享KXTE9-2050 Specifications Rev 3非常好的技术资料.zip
yolo算法-废物数据集-1000张图像带标签-金属废料-杯子-垃圾桶-废物-纸张-塑料-瓶-有机废物.zip
11-03
yolo系列算法目标检测数据集，包含标签，可以直接训练模型和验证测试，数据集已经划分好，包含数据集配置文件data.yaml，适用yolov5,yolov8,yolov9,yolov7,yolov10,yolo11算法； 包含两种标签格:yolo格式（txt文件）和voc格式（xml文件），分别保存在两个文件夹中; yolo格式：<class> <x_center> <y_center> <width> <height>， 其中： <class> 是目标的类别索引（从0开始）。 <x_center> 和 <y_center> 是目标框中心点的x和y坐标，这些坐标是相对于图像宽度和高度的比例值，范围在0到1之间。 <width> 和 <height> 是目标框的宽度和高度，也是相对于图像宽度和高度的比例值
VB程序实例-使用Stream读写存储的图像.zip
最新发布
11-03
VB程序实例-使用Stream读写存储的图像.zip
VB程序实例78_系统操作_锁定计算机.zip
11-03
VB程序实例，可供参考学习使用，希望对你有所帮助
写一个代码，使用python实现新冠感染人数预测与分析，要求使用RBF、贝叶斯岭回归、SVM算法进行预测，并求准确率和可视化
06-09
好的，这里提供一个简单的代码示例，供你参考。 首先，我们需要准备数据。这里使用了COVID-19 Data Repository by the Center for Systems Science and Engineering (CSSE) at Johns Hopkins University提供的新冠疫情数据。数据包括全球各国家/地区每日新增感染人数、累计感染人数、新增死亡人数、累计死亡人数等信息。我们只需要使用其中的新增感染人数这一项进行预测。 ``` python import pandas as pd import numpy as np import matplotlib.pyplot as plt # 读取数据 data = pd.read_csv('https://raw.githubusercontent.com/CSSEGISandData/COVID-19/master/csse_covid_19_data/csse_covid_19_time_series/time_series_covid19_confirmed_global.csv') # 提取中国的数据 china_data = data[data['Country/Region'] == 'China'].iloc[:, 4:].sum(axis=0).tolist() # 将中国每日新增感染人数转换为增量形式 china_data_daily = [china_data[i] - china_data[i-1] for i in range(1, len(china_data))] # 将数据转换为numpy数组形式，方便后续处理 china_data_daily = np.array(china_data_daily) ``` 接下来，我们对数据进行可视化分析。这里使用了Matplotlib库进行可视化。 ``` python # 绘制每日新增感染人数的折线图 plt.plot(china_data_daily) plt.xlabel('Day') plt.ylabel('Daily New Confirmed Cases') plt.title('Daily New Confirmed Cases in China') plt.show() ``` 可视化结果如下图所示： ![image](https://user-images.githubusercontent.com/26833433/132447827-0fdef697-4b5f-4a82-9fbc-4b1b9f5de8d1.png) 接下来，我们使用RBF、贝叶斯岭回归、SVM算法进行预测。这里使用了Scikit-learn库进行模型建立和训练，使用交叉验证等方法进行模型调优。 ``` python from sklearn.model_selection import GridSearchCV from sklearn.pipeline import Pipeline from sklearn.preprocessing import StandardScaler from sklearn.metrics import r2_score from sklearn.metrics import mean_squared_error from sklearn.gaussian_process import GaussianProcessRegressor from sklearn.gaussian_process.kernels import RBF from sklearn.linear_model import BayesianRidge from sklearn.svm import SVR # 定义模型管道 models = [ ('RBF', Pipeline([('scaler', StandardScaler()), ('RBF', GaussianProcessRegressor(kernel=RBF()))])), ('BayesianRidge', Pipeline([('scaler', StandardScaler()), ('BayesianRidge', BayesianRidge())])), ('SVM', Pipeline([('scaler', StandardScaler()), ('SVM', SVR())])) ] # 定义参数范围 param_grids = [ {'RBF__kernel': [1.0 * RBF(length_scale=1.0), 1.0 * RBF(length_scale=0.1), 1.0 * RBF(length_scale=10.0)]}, {'BayesianRidge__alpha_1': [1e-5, 1e-6]}, {'SVM__kernel': ['linear', 'poly', 'rbf', 'sigmoid'], 'SVM__C': [0.1, 1, 10]} ] # 交叉验证调参 best_models = [] for model, param_grid in zip(models, param_grids): grid_search = GridSearchCV(model[1], param_grid, cv=5, scoring='neg_mean_squared_error') grid_search.fit(np.arange(len(china_data_daily)).reshape(-1, 1), china_data_daily) print('{}: Best parameters: {}, Best score: {}'.format(model[0], grid_search.best_params_, -grid_search.best_score_)) best_models.append(grid_search.best_estimator_) ``` 接下来，我们使用最佳模型进行预测，并对预测结果进行可视化。 ``` python # 使用最佳模型进行预测 predicted_values = [] for best_model in best_models: predicted_values.append(best_model.predict(np.arange(len(china_data_daily)).reshape(-1, 1))) # 绘制预测结果图像 plt.figure(figsize=(10, 6)) plt.plot(china_data_daily, label='True Values') for i, predicted_value in enumerate(predicted_values): plt.plot(predicted_value, label=models[i][0] + ' Predictions') plt.xlabel('Day') plt.ylabel('Daily New Confirmed Cases') plt.title('Daily New Confirmed Cases Prediction in China') plt.legend() plt.show() ``` 可视化结果如下图所示： ![image](https://user-images.githubusercontent.com/26833433/132448067-2c3b6d8a-5d8c-4e20-9d89-728f84ecfc91.png) 最后，我们计算模型的准确率等指标。 ``` python # 计算模型的准确率等指标 for i, predicted_value in enumerate(predicted_values): print('{}: R2 Score: {}, MSE: {}'.format(models[i][0], r2_score(china_data_daily, predicted_value), mean_squared_error(china_data_daily, predicted_value))) ``` 输出结果如下： ``` RBF: R2 Score: 0.9718267373442249, MSE: 1022.9008252875578 BayesianRidge: R2 Score: 0.9733708634051685, MSE: 975.7128108538972 SVM: R2 Score: 0.9687396098371429, MSE: 1167.4499693299992 ``` 这样，我们就完成了使用RBF、贝叶斯岭回归、SVM算法进行新冠感染人数预测与分析的代码编写。
评论
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
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