织梦可以做大型网站吗,中企动力是干啥的,网站后台用什么浏览器,网站开发工具中的三剑客头歌机器学习实训代码、答案#xff0c;如果能够帮到您#xff0c;希望可以点个赞#xff01;#xff01;#xff01;
如果有问题可以csdn私聊或评论#xff01;#xff01;#xff01;感谢您的支持 目录
第1关#xff1a;简单线性回归与多元线性回归
第2关#…头歌机器学习实训代码、答案如果能够帮到您希望可以点个赞
如果有问题可以csdn私聊或评论感谢您的支持 目录
第1关简单线性回归与多元线性回归
第2关线性回归的正规方程解
第3关衡量线性回归的性能指标
第4关scikit-learn线性回归实践 - 波斯顿房价预测 第1关简单线性回归与多元线性回归 1、下面属于多元线性回归的是 BC A、求得正方形面积与对角线之间的关系。B、建立股票价格与成交量、换手率等因素之间的线性关系。C、建立西瓜价格与西瓜大小、西瓜产地、甜度等因素之间的线性关系。D、建立西瓜书销量与时间之间的线性关系。 2、若线性回归方程得到多个解下面哪些方法能够解决此问题 ABC A、获取更多的训练样本B、选取样本有效的特征使样本数量大于特征数C、加入正则化项D、不考虑偏置项b 3、下列关于线性回归分析中的残差预测值减去真实值说法正确的是( A ) A、残差均值总是为零B、残差均值总是小于零C、残差均值总是大于零D、以上说法都不对 第2关线性回归的正规方程解 #encodingutf8
import numpy as np
def mse_score(y_predict,y_test):input:y_predict(ndarray):预测值y_test(ndarray):真实值ouput:mse(float):mse损失函数值#********* Begin *********#mse np.mean((y_predict-y_test)/2)#********* End *********#return mse
class LinearRegression :def __init__(self):初始化线性回归模型self.theta Nonedef fit_normal(self,train_data,train_label):input:train_data(ndarray):训练样本train_label(ndarray):训练标签#********* Begin *********#x np.hstack([np.ones((len(train_data),1)),train_data])self.theta np.linalg.inv(x.T.dot(x)).dot(x.T).dot(train_label)#********* End *********#return self.thetadef predict(self,test_data):input:test_data(ndarray):测试样本#********* Begin *********#x np.hstack([np.ones((len(test_data),1)),test_data])return x.dot(self.theta)#********* End *********# 第3关衡量线性回归的性能指标 #encodingutf8
import numpy as np
#mse
def mse_score(y_predict,y_test):mse np.mean((y_predict-y_test)**2)return mse
#r2
def r2_score(y_predict,y_test):input:y_predict(ndarray):预测值y_test(ndarray):真实值output:r2(float):r2值#********* Begin *********#r2 1 - mse_score(y_predict,y_test)/np.var(y_test)#********* End *********#return r2
class LinearRegression :def __init__(self):初始化线性回归模型self.theta Nonedef fit_normal(self,train_data,train_label):input:train_data(ndarray):训练样本train_label(ndarray):训练标签#********* Begin *********#x np.hstack([np.ones((len(train_data),1)),train_data])self.theta np.linalg.inv(x.T.dot(x)).dot(x.T).dot(train_label)#********* End *********#return selfdef predict(self,test_data):input:test_data(ndarray):测试样本#********* Begin *********#x np.hstack([np.ones((len(test_data),1)),test_data])return x.dot(self.theta)#********* End *********# 第4关scikit-learn线性回归实践 - 波斯顿房价预测 #encodingutf8
#********* Begin *********#
import pandas as pd
from sklearn.linear_model import LinearRegression#读取训练数据
train_data pd.read_csv(./step3/train_data.csv)#读取训练标签
train_label pd.read_csv(./step3/train_label.csv)
train_label train_label[target]#读取测试数据
test_data pd.read_csv(./step3/test_data.csv)
lr LinearRegression()#训练模型
lr.fit(train_data,train_label)#预测标签
predict lr.predict(test_data)#写入csv
df pd.DataFrame({result:predict})
df.to_csv(./step3/result.csv, indexFalse)#********* End *********#
