数据预处理系列:(十六)直接定义一个正态随机过程对象
来源:互联网 发布:java get post请求 编辑:程序博客网 时间:2024/04/26 17:52
声明:版权所有,转载请联系作者并注明出处 http://blog.csdn.net/u013719780?viewmode=contents
博主简介:风雪夜归子(英文名: Allen),机器学习算法攻城狮,喜爱钻研Machine Learning的黑科技,对Deep Learning和Artificial Intelligence充满兴趣,经常关注kaggle数据挖掘竞赛平台,对数据、Machine Learning和Artificial Intelligence有兴趣的各位童鞋可以一起探讨哦,个人CSDN博客: http://blog.csdn.net/u013719780?viewmode=contents
直接定义一个正态随机过程对象
前面我们只触及了正态随机过程的表面。在本主题中,我们将介绍直接创建一个具有指定相关函数的正态随机过程。
Getting ready
gaussian_process
模块可以直接连接不同的相关函数与回归方程。这样就可以不创建GaussianProcess
对象,直接通过函数创建需要的对象。如果你更熟悉面向对象的编程方法,这里只算是模块级的一个类方法而已。
在本主题中,我们将使用大部分函数,并把他们的结果用几个例子显示出来。如果你想真正掌握这些相关函数的特点,不要仅仅停留在这些例子上。这里不再介绍新的数学理论,让我们直接演示如何做。
How to do it...
首先,我们导入要回归的数据:
from sklearn.datasets import make_regressionX, y = make_regression(1000, 1, 1)from sklearn.gaussian_process import regression_models
第一个相关函数是常系数相关函数。它有若干常数构成:
regression_models.constant(X)[:5]
还有线性相关函数与平方指数相关函数,它们也是GaussianProcess
类的默认值:
regression_models.linear(X)[:1]
regression_models.quadratic(X)[:1]
How it works...
这样我们就可以得到回归函数了,可以直接用GaussianProcess
对象来处理它们。默认值是常系数相关函数,但我们也可以把轻松的把线性模型和平方指数模型传递进去。
- 数据预处理系列:(十六)直接定义一个正态随机过程对象
- 数据预处理系列:(十五)用正态随机过程处理回归
- C语言入门(十六)预处理过程
- 数据预处理系列:(十七)用随机梯度下降处理回归
- 直接定义一个对象和new一个对象的区别
- 正态随机过程和多变量正态分布
- 数据预处理的过程
- 数据预处理过程
- 一个预处理定义的问题
- 数据预处理系列:(二)创建试验样本数据
- 数据预处理系列:(四)用阈值创建二元特征
- 数据预处理系列:(五)分类变量处理
- 数据预处理系列:(六)标签特征二元化
- 数据预处理系列:(七)处理缺失值
- 数据预处理系列:(十)用因子分析降维
- 将原先非随机对象重新定义随机对象数组
- 数据挖掘过程中:数据预处理
- 生成正态随机分布数
- Windows10 添加开始快捷键
- 数据预处理系列:(十五)用正态随机过程处理回归
- 浏览器宽高
- DOS下不能输入中文+不能正确显示中文
- canvas绘制简易百分比圆饼效果
- 数据预处理系列:(十六)直接定义一个正态随机过程对象
- linux 超级用户切换
- Cocos studio v3.10记录(一)
- 腾讯云服务器ftp部署及文件上传
- C Primer Plus 中文版 前言
- Hibernate注解-类级别注解
- Android—创建自己的Dialog—数据交互
- 数据预处理系列:(十七)用随机梯度下降处理回归
- 一张图玩转大数据架构流程