磁力猫torrentkitty官网,广州百度搜索排名优化,特产网站建设的目的,产品设计包括哪些方面目录
1.数据归一化处理
2.数据标准化处理
3.Lasso回归模型
4.岭回归模型
5.评价指标计算 1.数据归一化处理 x的归一化的方法还是比较多的我们就选取最为基本的归一化方法
x(x-x_min)/(x_max-x_min)import numpy as np
from sklea…目录
1.数据归一化处理
2.数据标准化处理
3.Lasso回归模型
4.岭回归模型
5.评价指标计算 1.数据归一化处理 x的归一化的方法还是比较多的我们就选取最为基本的归一化方法
x(x-x_min)/(x_max-x_min)import numpy as np
from sklearn.preprocessing import MinMaxScaler
rd np.random.RandomState(1614)
X rd.randint(0, 20, (5, 5))
scaler MinMaxScaler()#归一化
# 对数据进行归一化
X_normalized scaler.fit_transform(X)
X_normalized 2.数据标准化处理 标准化的方法x(x-u)/(标准差)import numpy as np
from sklearn.preprocessing import StandardScaler
import matplotlib.pyplot as plt
rd np.random.RandomState(1614)
X rd.randint(0, 20, (5, 5))#X时特征数据
# 创建StandardScaler对象(标准化)
scaler StandardScaler()
X_standardized scaler.fit_transform(X)
X_standardized3.Lasso回归模型 lasso回归import numpy as np
import matplotlib.pyplot as plt
import pandas as pd
from sklearn.linear_model import Lasso
# 从Excel读取数据
dataframe pd.read_excel(LinearRegression.xlsx)
datanp.array(dataframe)
Xdata[:,0].reshape(-1,1)
Ydata[:,1]
# 创建Lasso回归模型
lambda_ 0.1 # 正则化强度
lasso_reg Lasso(alphalambda_)
# 拟合回归模型
lasso_reg.fit(X, y)
# 计算回归系数
coefficients np.append(lasso_reg.coef_,lasso_reg.intercept_)
# 绘制散点图和拟合曲线
plt.figure(figsize(8,6), dpi500)
plt.scatter(X, y, marker., colorb,labelData Points,s64)
plt.plot(X, lasso_reg.predict(X), colorr, labelLasso Regression)
plt.xlabel(x)
plt.ylabel(y)
plt.title(Lasso Regression)
plt.legend()
plt.text(x-0.38,y60,colorr,sLasso Regression Coefficients:{}.format( coefficients))
plt.savefig(rC:\Users\Zeng Zhong Yan\Desktop\Lasso Regression.png)
plt.show() 4.岭回归模型
import numpy as np
import matplotlib.pyplot as plt
import pandas as pd
from sklearn.linear_model import Ridge# 从Excel读取数据
dataframe pd.read_excel(LinearRegression.xlsx)
datanp.array(dataframe)
Xdata[:,0].reshape(-1,1)
Ydata[:,1]
#创建岭回归模型
lambda_ 0.1 # 正则化强度
ridge_reg Ridge(alphalambda_)
#拟合岭回归模型并且计算回归系数
ridge_reg.fit(X, y)
coefficients np.append(ridge_reg.coef_,ridge_reg.intercept_)
#绘制可视化图
plt.figure(figsize(8, 6), dpi500)
plt.scatter(X, y, marker., colorb,labelData Points,s64)
plt.plot(X, ridge_reg.predict(X), colorr, labelRidge Regression)
plt.xlabel(x)
plt.ylabel(y)
plt.title(Ridge Regression)
plt.legend()
plt.text(x-0.38,y60,colorr,sRidge Regression Coefficients:{}.format(coefficients))
plt.savefig(rC:\Users\Zeng Zhong Yan\Desktop\Ridge Regression.png)
plt.show() 5.评价指标计算
MSEi1n(Yi-Y^)2nRMESi1n(Yi-Y^)2nMAEi1n|Yi-Y^|nR21-i1n(Y^-Yi)2i1n(Y¯-Yi)2 #4种误差评价指标
from sklearn.metrics import mean_squared_error, mean_absolute_error, r2_score
# 预测值
y_pred ridge_reg.predict(X)
# 计算均方误差MSE
MSE mean_squared_error(y, y_pred)
# 计算均方根误差RMSE
RMSE np.sqrt(mse)
# 计算平均绝对误差MAE
MAE mean_absolute_error(y, y_pred)
# 计算 R 方决定系数
R_squre r2_score(y, y_pred)
print(均方误差:, MSE )
print(均方根误差:, RMSE)
print(平均绝对误差:, MAE)
print(R方误差系数:, R_squre)
