机器学习之——多项式回归与degree参数调节

2023-10-29 10:10

本文主要是介绍机器学习之——多项式回归与degree参数调节,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
from sklearn.linear_model import LinearRegression 

1.读取数据

# data = pd.read_csv('job.csv')
# data = np.loadtxt('job.csv', delimiter=',')
data = np.genfromtxt('job.csv', delimiter=',')
# print(data)

2.特征

X_data = data[1:, 1]

3.标签

y_data = data[1:, 2]
# print(X_data)

4.可视化(先以线性方程来预测)

plt.scatter(X_data, y_data)
# plt.show()

5. 建模

X_data 转为二维数组对象

X_data = X_data[:, np.newaxis]
model = LinearRegression()
model.fit(X_data, y_data)plt.scatter(X_data, y_data)
plt.plot(X_data, model.predict(X_data))
plt.show()

在这里插入图片描述

1.将数据处理为多项式回归

from sklearn.preprocessing import PolynomialFeatures

2. 创建多项式对象

poly_reg = PolynomialFeatures(degree=5)

在这里插入图片描述

3. 数据处理

x_poly = poly_reg.fit_transform(X_data)
print(x_poly)line_reg = LinearRegression()
line_reg.fit(x_poly, y_data)
plt.scatter(X_data, y_data, color='r')plt.plot(X_data, line_reg.predict(x_poly))
plt.show()

在这里插入图片描述

3.多项式回归模型构建和预测

  • 1.创建数据查看数据分布
import matplotlib.pyplot as plt 
import numpy as np
import pandas as pda = np.random.uniform(-3.0,3.0,size=100) 
x = a.reshape(-1,1)y = 0.5*a**2 + a + 2 + np.random.normal(0,1,size=100)plt.scatter(x,y)

在这里插入图片描述

  • 2.线性回归模型预测
from sklearn.linear_model import LinearRegression
lin_reg = LinearRegression()
lin_reg.fit(x,y)n = lin_reg.predict(x)
plt.plot(x,n)
plt.scatter(x,y)
plt.show()

在这里插入图片描述

  • 3.查看模型评分
lin_reg.score(x,y)
>>0.4193432238155308
  • 4.查看均方误差
from sklearn.metrics import mean_squared_error
mean_squared_error(y,n)
>> 3.0695392007737921
  • 5.2次多项式回归建立
  • degree越大,模型的拟合效果越好,均方误差越小,因为样本是一定的,我们总能找到一条曲线将所有的样本点拟合,也就是说让所有的样本点都落到这条线上,使整体均方误差为0,而如果对未知的待预测的数据预测过程中,过量拟合训练集会造成泛化能力降低,预测偏差增大,所以说,并不是degree越大预测的越准确。
  • 封装Pipeline管道,便于灵活调整多项式回归模型参数
from sklearn.pipeline import Pipeline
from sklearn.preprocessing import PolynomialFeatures
from sklearn.preprocessing import StandardScalerdef kk(degree):return Pipeline([('poly',PolynomialFeatures(degree=degree)),('std_scaler',StandardScaler()),('lin_reg',LinearRegression())])model = kk(degree=2)
model.fit(x,y)
d = model.predict(x)plt.plot(np.sort(x,axis=0),d[np.argsort(x,axis=0)],color='r')
plt.scatter(x,y)
plt.show()

在这里插入图片描述

  • 6.50次多项式回归
def kk(degree):return Pipeline([('poly',PolynomialFeatures(degree=degree)),('std_scaler',StandardScaler()),('lin_reg',LinearRegression())])model = kk(degree=50)
model.fit(x,y)
d = model.predict(x)plt.plot(np.sort(x,axis=0),d[np.argsort(x,axis=0)],color='r')
plt.scatter(x,y)
plt.show()

在这里插入图片描述

  • 7.200次多项式回归
def kk(degree):return Pipeline([('poly',PolynomialFeatures(degree=degree)),('std_scaler',StandardScaler()),('lin_reg',LinearRegression())])model = kk(degree=200)
model.fit(x,y)
d = model.predict(x)plt.plot(np.sort(x,axis=0),d[np.argsort(x,axis=0)],color='r')
plt.scatter(x,y)
plt.show()

在这里插入图片描述

这篇关于机器学习之——多项式回归与degree参数调节的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/299949

相关文章

Java学习手册之Filter和Listener使用方法

《Java学习手册之Filter和Listener使用方法》:本文主要介绍Java学习手册之Filter和Listener使用方法的相关资料,Filter是一种拦截器,可以在请求到达Servl... 目录一、Filter(过滤器)1. Filter 的工作原理2. Filter 的配置与使用二、Listen

SpringBoot请求参数接收控制指南分享

《SpringBoot请求参数接收控制指南分享》:本文主要介绍SpringBoot请求参数接收控制指南,具有很好的参考价值,希望对大家有所帮助,如有错误或未考虑完全的地方,望不吝赐教... 目录Spring Boot 请求参数接收控制指南1. 概述2. 有注解时参数接收方式对比3. 无注解时接收参数默认位置

Python使用getopt处理命令行参数示例解析(最佳实践)

《Python使用getopt处理命令行参数示例解析(最佳实践)》getopt模块是Python标准库中一个简单但强大的命令行参数处理工具,它特别适合那些需要快速实现基本命令行参数解析的场景,或者需要... 目录为什么需要处理命令行参数?getopt模块基础实际应用示例与其他参数处理方式的比较常见问http

Linux内核参数配置与验证详细指南

《Linux内核参数配置与验证详细指南》在Linux系统运维和性能优化中,内核参数(sysctl)的配置至关重要,本文主要来聊聊如何配置与验证这些Linux内核参数,希望对大家有一定的帮助... 目录1. 引言2. 内核参数的作用3. 如何设置内核参数3.1 临时设置(重启失效)3.2 永久设置(重启仍生效

SpringMVC获取请求参数的方法

《SpringMVC获取请求参数的方法》:本文主要介绍SpringMVC获取请求参数的方法,本文通过实例代码给大家介绍的非常详细,对大家的学习或工作具有一定的参考借鉴价值,需要的朋友可以参考下... 目录1、通过ServletAPI获取2、通过控制器方法的形参获取请求参数3、@RequestParam4、@

Spring Boot项目部署命令java -jar的各种参数及作用详解

《SpringBoot项目部署命令java-jar的各种参数及作用详解》:本文主要介绍SpringBoot项目部署命令java-jar的各种参数及作用的相关资料,包括设置内存大小、垃圾回收... 目录前言一、基础命令结构二、常见的 Java 命令参数1. 设置内存大小2. 配置垃圾回收器3. 配置线程栈大小

SpringBoot利用@Validated注解优雅实现参数校验

《SpringBoot利用@Validated注解优雅实现参数校验》在开发Web应用时,用户输入的合法性校验是保障系统稳定性的基础,​SpringBoot的@Validated注解提供了一种更优雅的解... 目录​一、为什么需要参数校验二、Validated 的核心用法​1. 基础校验2. php分组校验3

一文带你了解SpringBoot中启动参数的各种用法

《一文带你了解SpringBoot中启动参数的各种用法》在使用SpringBoot开发应用时,我们通常需要根据不同的环境或特定需求调整启动参数,那么,SpringBoot提供了哪些方式来配置这些启动参... 目录一、启动参数的常见传递方式二、通过命令行参数传递启动参数三、使用 application.pro

基于@RequestParam注解之Spring MVC参数绑定的利器

《基于@RequestParam注解之SpringMVC参数绑定的利器》:本文主要介绍基于@RequestParam注解之SpringMVC参数绑定的利器,具有很好的参考价值,希望对大家有所帮助... 目录@RequestParam注解:Spring MVC参数绑定的利器什么是@RequestParam?@

Java进阶学习之如何开启远程调式

《Java进阶学习之如何开启远程调式》Java开发中的远程调试是一项至关重要的技能,特别是在处理生产环境的问题或者协作开发时,:本文主要介绍Java进阶学习之如何开启远程调式的相关资料,需要的朋友... 目录概述Java远程调试的开启与底层原理开启Java远程调试底层原理JVM参数总结&nbsMbKKXJx