前言:本教程主要使用了numpy的最最基本的功能,用于生成数据,matplotlib用于绘图,scikit-learn用于调用机器学习方法。如果你不熟悉他们(我也不熟悉),没关系,看看numpy和matplotlib最简单的教程就够了。我们这个教程的程序不超过50行。
为了实验用,我自己写了一个二元函数,y=0.5*np.sin(x1)+ 0.5*np.cos(x2)+0.1*x1+3。
其中x1的取值范围是0~50,x2的取值范围是-10~10,x1和x2的训练集一共有500个,测试集有100个。其中,在训练集的上加了一个-0.5~0.5的噪声。生成函数的代码如下:
其中训练集(y上加有-0.5~0.5的随机噪声)和测试集(没有噪声)的图像如下:
scikit-learn非常简单,只需实例化一个算法对象,然后调用fit()函数就可以了,fit之后,就可以使用predict()函数来预测了,然后可以使用score()函数来评估预测值和真实值的差异,函数返回一个得分。例如调用决策树的方法如下:
下来,我们可以根据预测值和真值来画出一个图像。画图的代码如下:
然后图像会显示如下:
为了加快测试, 这里写了一个函数,函数接收不同的回归类的对象,然后它就会画出图像,并且给出得分.
函数基本如下:
常规的回归方法有线性回归,决策树回归,SVM和k近邻(KNN)
然后决策树回归的图像就会显示出来:
结果图像如下:
竟然KNN这个计算效能最差的算法效果最好
图像如下:
我这里在pycharm写的代码,但是在pycharm里面不显示图形,所以可以把代码复制到ipython中,使用%paste方法复制代码片.
然后参照上面的各个方法导入算法,使用try_different_mothod()函数画图.
完整代码如下:
原文链接:https://blog.csdn.net/u010900574/article/details/52666291
- 加入AI学院学习 -
点击“ 阅读原文 ”进入学习