有哪些可以做策划方案的网站,做暧暧暖免费观看网站,网页设计与网站建设考试热点,推广赚钱的软件有哪些Ⅰ、项目任务要求
任务描述#xff1a;将“diabetes”糖尿病患者数据集划分为训练集和测试集#xff0c;利用训练集分别结合线性回归、岭回归、Lasso回归建立预测模型#xff0c;再利用测试集来预测糖尿病患者病情并验证预测模型的拟合能力。具体任务要求如下#xff1a; …Ⅰ、项目任务要求
任务描述将“diabetes”糖尿病患者数据集划分为训练集和测试集利用训练集分别结合线性回归、岭回归、Lasso回归建立预测模型再利用测试集来预测糖尿病患者病情并验证预测模型的拟合能力。具体任务要求如下 搜集并加载“diabetes”患者糖尿病指数数据集。定义训练集和测试集训练集和测试集比例分别为8:27:36:4。建立线性回归模型。分别利用可视化方法和交叉验证法确定惩罚参数λ并建立岭回归模型。分别利用可视化方法和交叉验证法确定惩罚参数λ并建立Lasso回归模型。分别用岭回归模型和Lasso回归模型通过测试集预测患者糖尿病病情。利用最小平均均方误差来评估上述三个预测模型的拟合能力。结果分析上述三种预测模型的对比分析建议图表结合说明并写出预测模型方程。 参考资料网址 机器学习总结(一)线性回归、岭回归、Lasso回归吴裕雄 数据挖掘与分析案例实战7——岭回归与LASSO回归模型Python数据挖掘课程 五.线性回归知识及预测糖尿病实例数据挖掘-diabetes数据集分析-糖尿病病情预测_线性回归_最小平方回归用岭回归和LASSO糖尿病治疗效果好坏 II、数据集描述10
。。。。。。详细描述数据集如特征属性名称及意义、记录数等
III、主要算法原理及模型评价方法陈述15分
。。。。。。写出项目中涉及的主要算法原理及模型评价方法
IV、代码实现45分
import matplotlib.pyplot as plt
import numpy as np
from sklearn import datasets, linear_model, model_selection# from sklearn import datasets, linear_model, discriminant_analysis, model_selection# todo: 查看数据(训练集:X_train, y_train; 测试集X_test, y_test)
def check_data():with open(data/X_train.txt, w) as file:for i in range(len(X_train)):file.write(f【样本{i1}】:{X_train[i]}\n)with open(data/y_train.txt, w) as file:for i in range(len(y_train)):file.write(f【样本{i1}】:{y_train[i]}\n)with open(data/X_test.txt, w) as file:for i in range(len(X_test)):file.write(f【样本{i1}】:{X_test[i]}\n)with open(data/y_test.txt, w) as file:for i in range(len(y_test)):file.write(f【样本{i1}】:{y_test[i]}\n)# todo: 可视化展示
def show_plot(alphas, scores):figure plt.figure()ax figure.add_subplot(1, 1, 1)ax.plot(alphas, scores)ax.set_xlabel(r$\alpha$)ax.set_ylabel(rscore)ax.set_xscale(log)ax.set_title(Ridge)plt.show()# Todo: 加载数据
# 加载糖尿病数据集
diabetes datasets.load_diabetes()
# 使用 model_selection.train_test_split() 将数据集分成训练集和测试集其中训练集占 75%测试集占 25%(最佳)
# random_state 参数设置了随机种子以确保结果的可重复性
X_train, X_test, y_train, y_test model_selection.train_test_split(diabetes.data, diabetes.target, test_size0.25, random_state0)
# 查看划分数据(保存至data/*)
check_data()# Todo: 建立线性回归模型
print( ※ 线性回归模型 ※ )
# 通过sklearn的 linear_model 创建线性回归对象
linearRegression linear_model.LinearRegression()
# 进行训练
linearRegression.fit(X_train, y_train)
# 通过LinearRegression的coef_属性获得权重向量,intercept_获得b的值
print(权重向量:%s, b的值为:%.2f % (linearRegression.coef_, linearRegression.intercept_))
# 计算出损失函数的值
print(损失函数的值: %.2f % np.mean((linearRegression.predict(X_test) - y_test) ** 2))
# 计算预测性能得分
print(预测性能得分: %.2f % linearRegression.score(X_test, y_test))# Todo: 分别利用可视化方法和交叉验证法确定惩罚参数λ并建立岭回归模型
print( ※ 岭回归模型 ※ )
ridgeRegression linear_model.Ridge()
ridgeRegression.fit(X_train, y_train)
print(权重向量:%s, b的值为:%.2f % (ridgeRegression.coef_, ridgeRegression.intercept_))
print(损失函数的值:%.2f % np.mean((ridgeRegression.predict(X_test) - y_test) ** 2))
print(预测性能得分: %.2f % ridgeRegression.score(X_test, y_test))# todo: 测试不同的α值对预测性能的影响
alphas [0.01, 0.02, 0.05, 0.1, 0.2, 0.5, 1, 2, 5, 10, 20, 50, 100, 200, 500, 1000]
scores []
for i, alpha in enumerate(alphas):ridgeRegression linear_model.Ridge(alphaalpha)ridgeRegression.fit(X_train, y_train)scores.append(ridgeRegression.score(X_test, y_test))
show_plot(alphas, scores)# Todo: 分别利用可视化方法和交叉验证法确定惩罚参数λ并建立Lasso回归模型
print( ※ Lasso归模型 ※ )
lassoRegression linear_model.Lasso()
lassoRegression.fit(X_train, y_train)
print(权重向量:%s, b的值为:%.2f % (lassoRegression.coef_, lassoRegression.intercept_))
print(损失函数的值:%.2f % np.mean((lassoRegression.predict(X_test) - y_test) ** 2))
print(预测性能得分: %.2f % lassoRegression.score(X_test, y_test))# todo: 测试不同的α值对预测性能的影响
alphas [0.01, 0.02, 0.05, 0.1, 0.2, 0.5, 1, 2, 5, 10, 20, 50, 100, 200, 500, 1000]
lassos_scores []
for i, alpha in enumerate(alphas):lassoRegression linear_model.Lasso(alphaalpha)lassoRegression.fit(X_train, y_train)lassos_scores.append(lassoRegression.score(X_test, y_test))
show_plot(alphas, lassos_scores)
V、运行结果截图15分 岭回归 Lasso回归
VI、结果分析15分
。。。。。。详细分析结果
VII、小组分工及贡献比
