机器学习笔记
Posted 洛陨尘
tags:
篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了机器学习笔记相关的知识,希望对你有一定的参考价值。
大数据
机器学习
回归问题和分类问题
- 导入数学函数库
import numpy as np
- 导入绘图模块
import matplotlib.pyplot as plt
- 生成回归样本数据
from sklearn.datasets import make_regression
X,y=make_regression(n_samples=100,n_features=1,n_informative=1,noise=50,random_state=8)
英文 | 翻译 |
---|---|
n_samples | 样本数 |
n_features | 特征数(自变量个数) |
n_informative | 参与建模特征数 |
n_targets | 因变量个数 |
noise | 噪音 |
bias | 偏差(截距) |
coef | 是否输出coef标识 |
random_state | 随机状态若为固定值则每次产生的数据都一样 |
- 读取矩阵的长度
X.shape
和y.shape
- 构建画布
fig=plt.figure()
- 引入坐标系
ax=fig.add_subplot(111)
- 带入点
ax. Scatter(X,y,c='b',s=60)
- 保存画布
plt.savefig('lr.pdf')
- 导入y=ax+b的模型
from sklearn.linear_model import LinearRegression
- 建立模型对象,构造函数
lr=LinearRegression()
- 训练数据
lr.fit(X,y)
- 求斜率
lr.coef_
- 求截距
lr.intercept_
- XX=np.linspace(-3,3,200)
array = numpy.linspace(start, end, num=num_points) 将在 start 和 end 之间生成
一个统一的序列,共有 num_points 个元素。 - XX=XX.reshape(-1,1)
- XX.shape
- yy=lr.predict(XX)
- ax.plot(XX,yy,c=‘r’)
- plt.savefig(‘test.pdf’)
- lr.score(X,y)
- lr.score(XX,yy)
- del X,XX,y,yy,fig,ax
- from sklearn.datasets import load_diabetes
- diabetes=load_diabetes()
diabetes - print(diabetes[‘DESCR’])
- from sklearn.model_selection import train_test_split
- X_train,X_test,y_train,y_test=train_test_split(X,y,random_state=8)
- X_train.shape
- X_test.shape
- lr=LinearRegression()
- lr.fit(X_train,y_train)
- lr.coef_
- lr.intercept_
- lr.score(X_train,y_train)
- lr.score(X_test,y_test)
下节课:训练的分数跟测试分数差别很大,产生过拟合问题(岭回归和套索回归)
import numpy as np
from sklearn.datasets import load_diabetes
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LinearRegression
from sklearn.linear_model import Lasso
from sklearn.linear_model import Ridge
diabetes=load_diabetes()
X=diabetes['data']
y=diabetes['target']
X_train,X_test,y_train,y_test=train_test_split(X,y,random_state=8)
lr=LinearRegression()
lr.fit(X_train,y_train)
print(lr.score(X_train,y_train))
print(lr.score(X_test,y_test))
rd=Ridge()
rd.fit(X_train,y_train)
print(rd.score(X_train,y_train))
print(rd.score(X_test,y_test))
la=Lasso()
la.fit(X_train,y_train)
print(la.score(X_train,y_train))
print(la.score(X_test,y_test))
以上是关于机器学习笔记的主要内容,如果未能解决你的问题,请参考以下文章