用new.target判断是否使用了new运算符

博客围绕new.target展开,但具体内容缺失。new.target是信息技术领域相关概念,在编程等方面可能有重要应用。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

from gplearn.genetic import SymbolicTransformer from sklearn.utils import check_random_state from sklearn.datasets import load_diabetes import numpy as np from sklearn.linear_model import Ridge rng = check_random_state(0) diabetes = load_diabetes() perm = rng.permutation(diabetes.target.size) #重新排列 diabetes.data = diabetes.data[perm] #获得X diabetes.target = diabetes.target[perm] #获得y #单独使用Ridge Regression的效果作为base #训练样本量300,测试样本量是200 est = Ridge() est.fit(diabetes.data[:300,:], diabetes.target[:300]) print("Ridge Regression Score: ", est.score(diabetes.data[300:,:], diabetes.target[300:])) #使用SymbolicTransformer生成特征再用Ridge Regression function_set = ['add', 'sub', 'mul', 'div', 'sqrt', 'log', 'abs', 'neg', 'inv', 'max', 'min'] #函数集合 gp = SymbolicTransformer( generations = 30, #迭代次数 population_size=2000, #每次有多少公式 hall_of_fame=100, n_components=10, #生成特征个数 function_set=function_set, #运算符号集合 parsimony_coefficient=0.0005, #乘法系数 max_samples=0.9, #每次计算适应度抽样比例 verbose=0, random_state=0 ) gp.fit(diabetes.data[:300,:], diabetes.target[:300]) #将生成的新特征与原来数据合并 gp_features = gp.transform(diabetes.data) #生成新特征 new_diabetes = np.hstack((diabetes.data,gp_features)) #合并 est = Ridge() est.fit(new_diabetes[:300,:],diabetes.target[:300]) print("SymbolicTransformer + Ridge Regression Score: ", est.score(new_diabetes[300:,:], diabetes.target[300:])) 这段代码是什么代码
最新发布
03-22
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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