Обсуждение MachineLearning:Портал сообщества
Материал из MachineLearning.
(Новая: Дорогие друзья, с помощью каких методов машинного обучения можно повысить коэффициент детерминации? ...) |
|||
| Строка 1: | Строка 1: | ||
Дорогие друзья, с помощью каких методов машинного обучения можно повысить коэффициент детерминации? Выше, чем 0,54 не выходит у меня. | Дорогие друзья, с помощью каких методов машинного обучения можно повысить коэффициент детерминации? Выше, чем 0,54 не выходит у меня. | ||
| + | Код листинга приведен ниже. | ||
| + | <!-- Комментарий --> | ||
from load import load_dataset | from load import load_dataset | ||
import matplotlib.pyplot as plt | import matplotlib.pyplot as plt | ||
| Строка 48: | Строка 50: | ||
rmse_cv=np.sqrt(mean_squared_error(p,y)) | rmse_cv=np.sqrt(mean_squared_error(p,y)) | ||
print("Оценка перекрестной проверки:{:f} ".format(rmse_cv)) | print("Оценка перекрестной проверки:{:f} ".format(rmse_cv)) | ||
| + | <!-- Комментарий --> | ||
Версия 15:42, 27 ноября 2017
Дорогие друзья, с помощью каких методов машинного обучения можно повысить коэффициент детерминации? Выше, чем 0,54 не выходит у меня. Код листинга приведен ниже.
from load import load_dataset import matplotlib.pyplot as plt import numpy as np import pandas as pd from sklearn import cross_validation from sklearn.metrics import r2_score from sklearn.linear_model import LinearRegression, Lasso,Ridge,ElasticNetCV from sklearn.cross_validation import KFold from sklearn.metrics import mean_squared_error from sklearn.feature_selection import SelectKBest from sklearn.feature_selection import mutual_info_regression from sklearn.tree import DecisionTreeRegressor from sklearn.ensemble import RandomForestRegressor from sklearn.grid_search import RandomizedSearchCV
model = ElasticNetCV() column_names = ["sex", "length", "diameter", "height", "whole weight",
"shucked weight", "viscera weight", "shell weight", "rings"]
data = pd.read_csv("C:/Users/RATpr/Desktop/Abalone.tsv", names=column_names) y=data.rings.values for label in "MFI":
data[label] = data["sex"] == label
del data["sex"] del data["rings"] X = data.values.astype(np.float) train_X, test_X, train_y, test_y = cross_validation.train_test_split(X, y)#делаем тестовые данные и обучающие model.fit(train_X,train_y) predicted_test_y = model.predict(test_X) predicted_train_y = model.predict(train_X) r1 = r2_score (test_y, predicted_test_y) print ("Коэффициент детерменации (на тестовых данных): {:.2} " . format(r1 )) r2 = r2_score (train_y, predicted_train_y) print ("Коэффициент детерменации (на обучающих данных): {:.2} " . format(r2 ))
р = model.predict (X) plt.scatter ( test_y, predicted_test_y ) plt.xlabel ( ' Число колец предсказанных ' ) plt.ylabel ( ' Число колец по факту ' ) plt.plot ( [ y.min(), y.max() ] , [ [y.min() ] , [y.max()]])
- перекрестная проверка
kf=KFold(len(y),n_folds=5) p=np.zeros_like(y) for train,test in kf:
model.fit(X[train],y[train]) p[test]=model.predict(X[test])
rmse_cv=np.sqrt(mean_squared_error(p,y)) print("Оценка перекрестной проверки:{:f} ".format(rmse_cv))
