建站优化内容,创建好网站如何把浏览,连接wordpress,搜索引擎优化的技巧有哪些1可选实验室: 线性回归使用 Scikit-Learn
有一个开源的、商业上可用的机器学习工具包#xff0c;叫做 scikit-learn。本工具包包含您将在本课程中使用的许多算法的实现。
1.1目标
在这个实验室里:
利用 scikit-学习使用线性回归梯度下降法来实现
1.2工具
您将利用 sciki…1可选实验室: 线性回归使用 Scikit-Learn
有一个开源的、商业上可用的机器学习工具包叫做 scikit-learn。本工具包包含您将在本课程中使用的许多算法的实现。
1.1目标
在这个实验室里:
利用 scikit-学习使用线性回归梯度下降法来实现
1.2工具
您将利用 scikit-learn 以及 matplotlib 和 NumPy 中的函数。
2梯度下降
Scikit-learn 有一个梯度下降法回归模型 skearn.line _ model..SGDRegressor。与前面的梯度下降法实现一样这个模型在标准化输入时表现最好。sklearn.StandardScaler 将像以前的实验室一样执行 z 分数标准化。在这里它被称为“标准分数”。
2.1加载数据集
import numpy as np
np.set_printoptions(precision2)
from sklearn.linear_model import LinearRegression, SGDRegressor
from sklearn.preprocessing import StandardScaler
from lab_utils_multi import load_house_data
import matplotlib.pyplot as plt
dlblue #0096ff; dlorange #FF9300; dldarkred#C00000; dlmagenta#FF40FF; dlpurple#7030A0;
plt.style.use(./deeplearning.mplstyle)X_train, y_train load_house_data()
X_features [size(sqft),bedrooms,floors,age]
2.2缩放/归一化训练数据
scaler StandardScaler()
X_norm scaler.fit_transform(X_train)
print(fPeak to Peak range by column in Raw X:{np.ptp(X_train,axis0)})
print(fPeak to Peak range by column in Normalized X:{np.ptp(X_norm,axis0)})
输出
Peak to Peak range by column in Raw X:[2.41e03 4.00e00 1.00e00 9.50e01]
Peak to Peak range by column in Normalized X:[5.85 6.14 2.06 3.69]
2.3创建并拟合回归模型
sgdr SGDRegressor(max_iter1000)
sgdr.fit(X_norm, y_train)
print(sgdr)
print(fnumber of iterations completed: {sgdr.n_iter_}, number of weight updates: {sgdr.t_})
输出
SGDRegressor(alpha0.0001, averageFalse, epsilon0.1, eta00.01,fit_interceptTrue, l1_ratio0.15, learning_rateinvscaling,losssquared_loss, max_iter1000, n_iterNone, penaltyl2,power_t0.25, random_stateNone, shuffleTrue, tolNone, verbose0,warm_startFalse)
number of iterations completed: 1000, number of weight updates: 99001.0
2.4参数视图
注意这些参数与规范化的输入数据相关联。拟合参数非常接近以前的实验室发现的这些数据。
b_norm sgdr.intercept_
w_norm sgdr.coef_
print(fmodel parameters: w: {w_norm}, b:{b_norm})
print(fmodel parameters from previous lab: w: [110.56 -21.27 -32.71 -37.97], b: 363.16)
输出
model parameters: w: [110.56 -21.26 -32.69 -37.98], b:[363.17]
model parameters from previous lab: w: [110.56 -21.27 -32.71 -37.97], b: 363.16
2.5预测
预测训练数据的目标。使用预测程序和使用 w 和 b 进行计算。
# make a prediction using sgdr.predict()
y_pred_sgd sgdr.predict(X_norm)
# make a prediction using w,b.
y_pred np.dot(X_norm, w_norm) b_norm
print(fprediction using np.dot() and sgdr.predict match: {(y_pred y_pred_sgd).all()})print(fPrediction on training set:\n{y_pred[:4]} )
print(fTarget values \n{y_train[:4]})
输出
prediction using np.dot() and sgdr.predict match: True
Prediction on training set:
[295.17 486.03 389.56 492.2 ]
Target values
[300. 509.8 394. 540. ]
2.6Plot结果
# plot predictions and targets vs original features
fig,axplt.subplots(1,4,figsize(12,3),shareyTrue)
for i in range(len(ax)):ax[i].scatter(X_train[:,i],y_train, label target)ax[i].set_xlabel(X_features[i])ax[i].scatter(X_train[:,i],y_pred,colordlorange, label predict)
ax[0].set_ylabel(Price); ax[0].legend();
fig.suptitle(target versus prediction using z-score normalized model)
plt.show() 3总结
在这个实验室里:
使用了一个开源的机器学习工具包 scikit-learn使用工具包中的线性回归梯度下降法和特性标准化来实现
