sklearn-例程--Plotting Cross-Validated Predictions
来源:互联网 发布:华为大数据研发岗累吗 编辑:程序博客网 时间:2024/06/11 14:33
sklearn-例程–Plotting Cross-Validated Predictions
对于sklearn我也是第一次接触到而已,机器学习的算法也只是大概的听过一些名词。这次写博客学习的目的有如下几个:
- 学习sklearn的使用方式,各种函数的意义和应用场合。
- 了解机器学习的具体算法,以及不同的算法用于什么场合。
- 似乎还有一个模型的概念,我所不清楚的,那么最后一个就是在不断的学习过程中,了解这些还不清楚的东西
现在开始我们的第一个例程的学习。
代码如下
from sklearn import datasetsfrom sklearn.model_selection import cross_val_predictfrom sklearn import linear_modelimport matplotlib.pyplot as pltlr = linear_model.LinearRegression()boston = datasets.load_boston()y = boston.targetpredicted = cross_val_predict(lr,boston.data,y,cv=10)fig,ax = plt.subplots()ax.scatter(y,predicted)ax.plot([y.min(),y.max()],[y.min(),y.max()],'k--',lw=4)ax.set_xlabel('measured')ax.set_ylabel('predicted')plt.show()
代码梳理
- import :用于导入其他模块代码
- as:别名,有时候模块名太长,可以在导入的时候,使用as指定一个别名
- lr = linear_model.LinearRegression():线性回归算法。见
- cross_val_predict:
plt.subplots:
具体分析
LinearRegression,线性回归算法。
假设目标值和参数之间存在线性关系,即
y(w,x)=w0+w1+....+wnxn
那么我们的目标就是找出一组w,使得min||Xw−y||2
例如
from sklearn import linear_modellr = linear_model.LinearRegression()lr.fit([[0,0],[1,1],[2,2]],[0,1,1.4])print(lr.coef_)
线性回归算法在X矩阵的列之间存在相关性时,会对一些随机的扰动变得敏感?(不是很确定) ,所以后面还会有一些其他的线性回归算法讲解,具体见下一章。
cross_val_predict:交叉验证预测
待研究。。
阅读全文
0 0
- sklearn-例程--Plotting Cross-Validated Predictions
- 01 sklearn Plotting Cross-Validated Predictions
- 机器学习-->sklearn.Cross-validation
- sklearn学习记录三:cross-validation
- 机器学习-sklearn库的Cross Validation
- python sklearn包——cross-validation
- sklearn学习笔记1---cross-validation
- sklearn中的交叉验证(Cross-Validation)
- python sklearn包——3.1cross validation笔记
- 机器学习(五)使用sklearn库的cross validation
- python sklearn包——cross validation笔记
- python sklearn包——cross validation笔记
- plotting pieces
- Matplotlib:plotting
- Sklearn
- sklearn
- sklearn
- Sklearn
- C++ vector拷贝使用总结
- Delphi计算器控制台版(含括号)
- Android7.0上PopupWindow的showAsDropDown位置问题
- C++里vector::erase函数
- JDBC连接数据库学习心得
- sklearn-例程--Plotting Cross-Validated Predictions
- redhat6.3安装Keepalived+LVS
- LeetCode之路:237. Delete Node in a Linked List
- java多线程总结(3)
- 马踏棋盘问题
- qt中的connect函数
- JS笔试面试题(后续更新)
- 多线程-生产者消费者问题代码2并解决线程安全问题
- 一个检测特效是否丢失材质的脚本