线性回归算法梳理-Task3

Task3 XGB算法梳理 文章目录Task3 XGB算法梳理1. 算法原理2. 损失函数3. 分裂结点算法4. 正则化5. 对缺失值处理6. 优缺点7. 应用场景8. sklearn参数 Task3 XGB算法梳理 1. 算法原理 2. 损失函数 3. 分裂结点算法 4. 正则化 5. 对缺失值处理 6. 优缺点 7. 应用场景 8. sklearn参数 ... 阅读详情

回归评价指标MSE、RMSE、MAE、R-Squared

在这里插入图片描述

波士顿房产数据

  1. 波士顿房产数据(只使用房间数量这个特征)

  2. 数据切分(train_test_split)

  3. MSE、MAE、RMSE、r2_score(自己写)VS scikit-learn中的MSE和MAE、r2_score

from sklearn import datasets
import matplotlib.pyplot as plt
import numpy as np
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LinearRegression

boston = datasets.load_boston()
# print(boston.DESCR)       #获得关于房价的描述信息
x = boston.data[:,5]  #得到RM列的数据
print(x.shape)
x = x.reshape(-1,1) #变为1列
y = boston.target
y = y.reshape(-1,1) #变为1列
print(y.shape)
plt.scatter(x, y)
plt.show()

x_train,x_test,y_train,y_test = train_test_split(x,y,test_size = 0.25,random_state = 0)
#创建线性回归模型
regr = LinearRegression()
#用训练集训练模型
regr.fit(x_train,y_train)
#用训练得出的模型进行预测
y_pred = regr.predict(x_test)

x_train,x_test,y_train,y_test = train_test_split(x,y,test_size = 0.25,random_state = 0)

mse_test = np.sum((y_pred-y_test)**2)/len(y_test)
mae_test = np.sum(np.absolute(y_pred-y_test))/len(y_test)
rmse_test = mse_test ** 0.5
r2_score = 1- (mse_test/ np.var(y_test))
print('均方误差:{},平均绝对误差:{},\n均方根误差:{},决定系数:{}'.format(mse_test,mae_test,rmse_test,r2_score))

from sklearn.metrics import mean_squared_error #均方误差
from sklearn.metrics import mean_absolute_error #平方绝对误差
from sklearn.metrics import r2_score #R square
#调用函数获得结果
mse_test1 = mean_squared_error(y_test,y_pred)
mae_test1 = mean_absolute_error(y_test,y_pred)
rmse_test1 = mse_test1 ** 0.5
r2_score1 = r2_score(y_test,y_pred)
print('均方误差:{},平均绝对误差:{},\n均方根误差:{},决定系数:{}'.format(mse_test1,mae_test1,rmse_test1,r2_score1))

在这里插入图片描述

参考文献
https://www.jianshu.com/p/9ee85fdad150 回归评价指标MSE、RMSE、MAE、R-Squared
https://blog.youkuaiyun.com/weixin_41043240/article/details/79587583 np.reshape里面的-1

Slurm集群调度策略详解(1)-主调度 Slurm调度系统中针对作业的调度主要有三种,主调度,回填调度,GANG调度,这篇文章主要针对主调度进行解析。 阅读详情

相关推荐

Android应用加固脱壳实战:从爱加密原理到Frida内存Dump与修复

在移动应用安全领域,代码加固与动态加载是保护核心逻辑的关键技术。其原理在于通过修改应用启动流程,将原始DEX加密隐藏,并注入包含解密逻辑的壳DEX,实现运行时动态加载。这项技术的核心价值在于防止应用被逆向分析、二次打包或恶意篡改,广泛应用于金融、游戏等高安全要求场景。对于安全研究、漏洞挖掘或历史版本审计,掌握脱壳技能至关重要。本文聚焦于**爱加密**等主流加固方案,深入探讨如何利用**Frida**框架在内存中精准捕获解密后的DEX数据,并解决脱壳后常见的签名校验等运行问题,提供一套从原理到实践的完整攻防思

weixin_28716443的博客 493

sklearn逻辑回归参数设置_python机器学习库介绍6:逻辑回归模型函数介绍

在scikit-learn中,LogisticRegression函数实现了逻辑回归模型,其原型为:classsklearn.linear_model.LogisticRegression(penalty='l2',dual=False,tol=0.0001,C=1.0,fit_intercept=True,intercept_scaling=1,class_weight=None,random_...

weixin_39704066的博客 1193

QuestaSim使用Xilinx库的设置

安装QuestaSim

miracle_eicont的专栏 3410

数学建模:线性回归模型的Python实现

Python,线性回归,模型检验

weixin_56529327的博客 1万+

R语言的下载、安装及环境配置(Rstudio&VSCode)

R for Windows是一个免费的用于统计计算和统计制图的优秀工具,是R语言开发工具。它拥有数据存储和处理系统、数组运算工具(其向量、矩阵运算方面功能尤其强大)、完整连贯的统计分析工具、优秀的统计制图等功能。提供的图形界面,可以在其中访问控制台、创建脚本或安装其他软件包。

zegeai的博客 2万+

carsim与simulink联合仿真学习笔记(二)——使用C-class车模做driver model仿真(5 driver sensors)

Driver model 在carsim的Simulink库中自带外部驾驶员模型,打开后如图所示: 然后打开carsim中对应的数据集,如图所示: 具体仿真步骤不在赘述,注意到这里选择的是E-Class车模,那么如果我想选择C-Class车型进行仿真呢?点三角选择车型可以看到: 马赛克部分是我后来建的,如过没有使用过是没有马赛克部分的。那么既然这里没有C-class,又该怎么办呢? 创建C-...

xufuqiang2017的博客 4121

线性回归讲解

实现线性回归需要用到matplotlib、numpy、pandas和sklearn,matplotlib用于二维作图,numpy、pandas用于对数据的处理,sklearn为机器学习算法模块。 导入模块 自定义x轴和y轴值 定义一个函数,对模型进行训练并计算预测值 def linear_model_main(X_parameters,Y_parameters,predict_value): ...

demo_day的博客 2743

KF-gins输出结果绘图

KF-gins输出结果绘图

m0_51977577的博客 1109

机器学习(一)——线性回归介绍及案例实战(Python实现)

本文介绍了机器学习之线性回归模型并使用Python代码进行实现

风暖暖的博客 1万+

聚类模型-层次聚类

聚类模型 1、层次聚类 2、原型聚类-K-means 3、模型聚类-GMM 4、EM算法-LDA主题模型 5、密度聚类-DBSCAN 6、图聚类-谱聚类 一、层次聚类 一、聚类理论 ​ 一般来说,聚类是在训练样本的标签信息不知的情况下,学习样本内在的性质和规律,将有限的集合划分成ccc类。根据“方以类聚,物以群分”的思想,类内对象尽可能的相似,...

myazi 6506

【优化模型】求解混合整数线性规划 MILP 问题

混合整数线性规划(Mixed Integer Linear Programming,MILP)是一类优化问题,其中目标函数和约束条件均为线性,并且包含整数变量。MILP 在实际应用中具有广泛的应用,可以解决很多实际问题,如生产调度、网络设计、资源分配等。f — 系数向量。系数向量,指定为实数向量或实数数组。intcon — 整数约束组成的向量。整数约束组成的向量,指定为正整数向量。intcon 中的值指示决策变量 x 中应取整数值的分量。A — 线性不等式约束。线性不等式约束,指定为实矩阵。

Fanjufei的博客 2503

关于重温机器学习笔记-线性模型

​由于高等数学底子太差的原因,机器学习总是无法深入学习下去,只能做一个简单的尝试者,甚至连调优也未必能算的上,不过这样也好,可以把重心放到对业务的理解上,以及业务和模型的选择上。 线性模型包括了传统的线性回归、岭回归、Lasso回归,主要用于连续值的预测;逻辑回归虽然也是回归,但却是一种分类方法;LDA线性判别分析,则是一种降维方法;多项式回归,是使用线性模型训练数据的非线性函数。 总的来说,...

不胜人生一场醉 1185

【ffmpeg+cuda实现硬编解码】

最近在搞一个项目,我需要向AI提供视频帧数,本来一开始摄像头是H.264的编码,我直接复制流推到AI层去推理,然后需要将事件回溯成30秒的视频截取。结果摄像头换成了HEVC编码,截取的视频不能在网页直接播放(需要JS实现调用硬解码)。一开始的方案是ffmpeg直接将HEVC转成H.264结果因为事务巨多CPU占用量过大,导致影响到了推理,因为本身选用的模型+杂七杂八的业务逻辑也要占用大量的CPU资源,所以经过研究把ffmpeg和nvcodec结合起来来平衡设备性能,算是解决了这个问题吧。这两个是前提条件,我

jiexijihe945的博客 7233

线性回归算法梳理-测评函数 Task3

测评函数(单变量) 1. 波士顿房产数据(只使用房间数量这个特征) import numpy as np import matplotlib.pyplot as plt from sklearn import datasets boston = datasets.load_boston() boston.keys() dict_keys(['data', 'target', 'feature_n...

weixin_43148174的博客 248

TMS_WebGMaps_1.9.8.0_Full_Source

TMS_WebGMaps_1.9.8.0_Full_Source 全源码 delphi cbuilder

迈瑞BS系列全自动生化分析仪LIS协议接口手册(内含HL7和ASTM)

迈瑞BS系列全自动生化分析仪LIS协议接口手册,内含HL7和ASTM)

Task1 线性回归算法梳理

目录:Task1 线性回归算法梳理一、 机器学习的一些概念2.无监督:3.泛化能力:4.过拟合欠拟合(方差和偏差以及各自解决办法):5.交叉验证:二、线性回归的原理三、线性回归损失函数、代价函数、目标函数1.损失函数:2.代价函数:3.目标函数:三、优化方法(梯度下降法、牛顿法、拟牛顿法等)四、线性回归的评估指标五、sklearn参数详解 Task1 线性回归算法梳理 一、 机器学习的一些概念 *...

苏苏和柚子 244

华为的C语言编程规范.pdf

华为技术有限公司内部技术规范。本规范制定了编写C语言程序的基本原则、规则和建议。从代码的清晰、简洁、可测试、安全、程序效率、可移植各个方面对C语言编程作出了具体指导。

【Task1】 线性回归算法梳理

1、机器学习的一些概念 有监督:是一个机器学习中的方法,可以由训练资料中学到或建立一个模式( learning model),并依此模式推测新的实例。训练资料是由输入物件(通常是向量)和预期输出所组成。函数的输出可以是一个连续的值(称为回归分析),或是预测一个分类标签(称作分类)。一个监督式学习者的任务在观察完一些训练范例(输入和预期输出)后,去预测这个函数对任何可能出现的输入的值的输出。监督...

qq_34210843的博客 348

jdk-8u144-linux-x64.tar.gz.

该资源为搭建Linux系统Java环境用,资源的后缀为tar.gz格式的压缩包

线性回归算法梳理 task2

1.生成数据 x = np.array([0,1,2,3,4,5,6,7,8,9,10]) y = np.array([12,14,18,19,21,23,24,26,27,29,31])#显示数据 plt.scatter(x,y) plt.show() 2.算术法求解 #对数据集进行3:7的拆分 x_train = x[:7].reshape(-1,1) x_test = x[7:].res...

图论 223

DataWhale初级算法梳理—Task02:线性回归

生成数据: #生成数据 import numpy as np #生成随机数 np.random.seed(1234) x = np.random.rand(500,3) #构建映射关系,模拟真实的数据待预测值,映射关系为y = 4.2 + 5.7*x1 + 10.8*x2,可自行设置值进行尝试 y = x.dot(np.array([4.2,5.7,10.8])) 1...

Dawanz的博客 263

TASK3 XGB算法梳理

1 算法原理 XGBoost(eXtreme Gradient Boosting)是大规模并行boosted tree的工具,它是目前最快最好的开源boosted tree工具包,比常见的工具包快10倍以上。XGBoost是对GBDT算法的一种改良实现,主要包括了正则化、损失函数、学习策略、并行实现等方面。 GBDT中预测值是由所有弱分类器上的预测结果加权求和,其中每个样本上的预测结果是样本所在的...

weixin_44157737的博客 309

【Task2】 逻辑回归算法梳理

1、逻辑回归与线性回归的联系与区别 (1)分类与回归:回归模型就是预测一个连续变量(如降水量,价格等)。在分类问题中,预测属于某类的概率,可以看成回归问题。这可以说是使用回归算法的分类方法。 (2)输出:直接使用线性回归的输出作为概率是有问题的,因为其值有可能小于0或者大于1,这是不符合实际情况的。逻辑回归的输出正是[0,1]区间。见下图, (3)参数估计方法:线性回归中使用的是最小化平...

qq_34210843的博客 475

Datawhale组队学习:初级算法梳理课程任务

背景 Datawhale 是国内很有名的一个开源学习组织。这个组织将渴望改变的学习者以及一群有能力有想法的青年人集结在一起,营造出一种互促高效的学习环境,一起为开源学习付出努力。 Datawhale 近期将推出三门课程的组队学习。我先将 初级算法梳理 的任务发布出来。如果你愿意跟我们一起来学习这门课程,请留意我们近期公布的 “Datawhale第八期组队学习计划”。 学习任务 Task01:机器...

老马的程序人生 968

TASK1 线性回归

之前就学习了机器学习的相关知识,最近再次进行学习并进行梳理,希望能有所收获。 (1)模型 线性回归假设输出与各个输入之间是线性的关系 (2)损失函数 在模型训练中,我们需要衡量预测值与真实值之间的误差。通常我们会选取一个非负数作为误差,且数值越小表示误差越小。一个常用的选择是平方函数。 它在评估索引为 i 的样本误差的表达式为 (3)优化函数 当模型和损失函数形式较为简单时,上面的误差最小化问...

weixin_42197601的博客 204

Datawhale----初级算法梳理(Task_2)

逻辑回归算法梳理逻辑回归与线性回归的区别与联系逻辑回归的原理逻辑回归损失函数推导及优化正则化与模型评估指标逻辑回归的优缺点样本不均衡问题解决办法 逻辑回归与线性回归的区别与联系 这两种回归可以归于广义线性模型。 1)线性回归要求变量服从正态分布,逻辑回归对变量分布没有要求。 2)线性回归要求因变量是连续性数值变量,而逻辑回归要求因变量是分类型变量。 3)线性回归要求自变量和因变量呈线性关系,而逻辑...

weixin_45054176的博客 311

TASK2 GBDT算法梳理

1 前向分布算法 这样,前向分布算法将同时求解从m=1到M的所有参数βm, rm的优化问题简化为逐次求解各个βm, rm的优化问题。 2负梯度拟合 GBDT在函数空间中利用梯度下降法进行优化。在GBDT的迭代中,假设前一轮迭代得到的强学习器是ft-1(x)损失函数是L(y,ft-1(x)) 。本轮迭代的目标是找到一个CART回归树模型的弱学习器ht(x),让本轮的损失L(t,ft-1(x)+ht...

weixin_44157737的博客 315

Task 1 - 线性回归算法梳理(学习整理笔记)

1、概念 机器学习中比较活跃的四大应用领域:数据挖掘、计算机视觉、自然语言处理、机器人决策 机器学习的两大基本问题:回归问题、分类问题 机器学习模型:f features label 样本 数据集 2、有监督学习(supervised learning) 把训练和分类的结果一并丢给计算机分析。 计算机进行学习之后,再丢给它新的未知的数据,它也能计算出该数据导致各种结果的概率,给你一个最接近正确的结...

Aeroaz的博客 293

初级算法梳理 Task2 逻辑回归

【任务2 - 逻辑回归算法梳理】 1、逻辑回归与线性回归的联系与区别 2、 逻辑回归的原理 3、逻辑回归损失函数推导及优化 4、 正则化与模型评估指标 5、逻辑回归的优缺点 6、样本不均衡问题解决办法 7. sklearn参数 ...

u013307195的博客 230
上一篇: NLP实践-task1
下一篇: 线性回归-task4
程序员椰子橙
博客等级 码龄9年 46粉丝 163原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
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