GM11灰色预测函数/算法适用场景

最新推荐文章于 2023-12-17 15:42:10 发布

我不是秃头sheep

最新推荐文章于 2023-12-17 15:42:10 发布

阅读量1.5k

点赞数 4

分类专栏：机器学习 Python 文章标签： 1024程序员节机器学习算法 sklearn python

本文链接：https://blog.youkuaiyun.com/weixin_44864260/article/details/120929617

版权

Python 同时被 2 个专栏收录

22 篇文章

订阅专栏

机器学习

1 篇文章

订阅专栏

本文详细介绍GM11灰色预测函数的定义、实现细节，并探讨其在不同场景下的应用，如分类、SVM、逻辑回归、KNN、聚类、回归等领域的具体使用技巧和实例。了解如何利用该函数进行数据分析和模型选择。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

GM11灰色预测函数

def GM11(x0):
    x1 = x0.cumsum()
    z1 = (x1[:len(x1)-1]+x1[1:])/2.0
    z1 = z1.reshape((len(z1), 1))
    B = np.append(-z1, np.ones_like(z1), axis=1)
    Yn = x0[1:].reshape((len(x0)-1, 1))
    [[a],[b]] = np.dot(np.dot(np.linalg.inv(np.dot(B.T, B)), B.T), Yn)
    f = lambda k: (x0[0]-b/a)*np.exp(-a*(k-1))-(x0[0]-b/a)*np.exp(-a*(k-2))
    delta = np.abs(x0+np.array([f(i) for i in range(1, len(x0)+1)]))
    C = delta.std()/x0.std()
    P = 1.0*(np.abs(delta-delta.mean()) < 0.6745*x0.std())/len(x0)
    return f, a, b, x0[0], C, P

算法适用场景

分类

大于10万数据SVM逻辑回归
sklearn.svm.SVC()
sklearn.linear_model.LogisticRegression(solver=“liblinear”, penalty=“l2”, C = 1.0)

小于10万数据线性核SVD
sklearn.discriminant_analysis.LinearDiscriminantAnalysis(solver=“svd”)

文本数据朴素贝叶斯
sklearn.naive_bayes.GaussianNB()

非文本数据KNN
sklearn.neighbors.KNeighborsClassifier(n_neighbors=3)
无效SVC组合分类
svm.SVC(kernel=‘linear’) svm.SVC(kernel=‘poly’,degree=3) svm.SVC(kernel=‘rbf’)

聚类

小于1万数据KMeans
sklearn.cluster.KMeans(n_clusters=2, random_state=0)
无效 GMM
sklearn.mixture.GaussianMixture(n_components=2, random_state=0)

大于1万数据MiniBatchKMeans
sklearn.cluster.MiniBatchKMeans(init=‘k-means++/random’, n_clusters=3)

回归

小于10万行数据
特征少 lasso
sklearn.linear_model.Lasso(alpha=0.1)
特征多用岭回归
sklearn.linear_model.Ridge(alpha=0.1)
无效 RBF核SVD
sklearn.kernel_ridge.KernelRidge(kernel=‘rbf’, alpha=0.1, gamma=10)

大于10万行数据线性回归
sklearn.linear_model.LogisticRegression(C=1, penalty=‘l1/l2’)