sklearn回归模型流程(以SVR为例)

当有很多模型可以选择,而又不太确定哪个模型比较好的时候,就直接一个一个试过去好了。写了一个我认为的回归模型一般需要的过程。其中有归一化、反归一化、均方误差、拟合曲线、预测曲线等,还有什么需要稍微改改就好了吧。代码如下:# coding: utf-8import numpy as npfrom sklearn import svmimport matplotlib.pyplot as pltimport matplotlib as mplfrom sklearn.preprocessing im

当有很多模型可以选择,而又不太确定哪个模型比较好的时候,就直接一个一个试过去好了。写了一个我认为的回归模型一般需要的过程。其中有归一化、反归一化、均方误差、拟合曲线、预测曲线等,还有什么需要稍微改改就好了吧。
代码如下:

# coding: utf-8
import numpy as np
from sklearn import svm
import matplotlib.pyplot as plt
import matplotlib as mpl
from sklearn.preprocessing import MinMaxScaler
from sklearn.metrics import mean_squared_error
mpl.rcParams['font.sans-serif'] = ['FangSong']  # 指定中文字体
mpl.rcParams['axes.unicode_minus'] = False  # 解决保存图像是负号'-'显示为方块的问题
plt.rcParams['font.sans-serif'] = ['SimHei']
plt.rcParams['axes.unicode_minus'] = False  # 正常显示负号


def train_and_chose_model(model):
    # 构造数据
    N = 400
    np.random.seed(0)
    data_x = np.sort(np.random.uniform(0, 22, N), axis=0)
    data_y = 2 * np.sin(data_x) + 0.01 * np.random.randn(N) 
    data_x = data_x.reshape(-1, 1)
    data_y = data_y.reshape(-1, 1)

    scaler_1 = MinMaxScaler(feature_range=(0, 1))
    scaler_2 = MinMaxScaler(feature_range=(0, 1))

    data_x = scaler_1.fit_transform(data_x)  # 归一化处理,构造两个因为之后还需要反归一化
    data_y = scaler_2.fit_transform(data_y)

    size = int(N * 0.8)  # 确定训练集的数量,这里我希望构造时间序列模型,因此是按顺序喂进去,但是我的结果不怎么好看,过拟合了
    x_train = data_x[0:size, ]
    y_train = data_y[0:size, ]
    x_test = data_x[size:, ]
    y_test = data_x[size:, ]

    model.fit(x_train, y_train)  # 训练模型
    score_test = model.score(x_test, y_test)
    score_train = model.score(x_train, y_train)
    print(str(model) + "训练集准确率为:" + str(score_train))
    print(str(model) + "测试集准确率为:" + str(score_test))  # 出现负数不是很理解
    y_test_pre = model.predict(x_test)  # 预测测试集
    y_train_pre = model.predict(x_train)  # 预测训练集
    print("测试集均方误差:", mean_squared_error(y_train, y_train_pre))
    print("训练集均方误差:", mean_squared_error(y_test, y_test_pre))

    data_x = scaler_1.inverse_transform(data_x) # 反归一化
    data_y = scaler_2.inverse_transform(data_y)

    x_train = scaler_1.inverse_transform(x_train)
    x_test = scaler_1.inverse_transform(x_test)
    y_test_pre = scaler_2.inverse_transform(y_test_pre.reshape(-1, 1))
    y_train_pre = scaler_2.inverse_transform(y_train_pre.reshape(-1, 1))  # 测试集的预测值

    plt.figure(figsize=(9, 8), facecolor='w')
    plt.plot(x_train, y_train_pre, 'r-', linewidth=2, label=str(model) + "训练集")
    plt.plot(x_test, y_test_pre, 'b-', linewidth=2, label=str(model) + "测试集")
    plt.plot(data_x, data_y, 'mo', markersize=6)
    plt.legend(loc='lower left')
    plt.title(str(model), fontsize=16)
    plt.xlabel('X')
    plt.ylabel('Y')
    # plt.xlim((1980, 2021))  # 设置横纵坐标范围
    # plt.ylim((0, 1000))
    plt.grid(True)
    plt.show()


if __name__ == '__main__':
    all_model = [svm.SVR(C=1.2)]  # 添加模型即可
    for m in all_model:
        train_and_chose_model(m)

输出结果:
SVR(C=1.2)训练集准确率为:0.8867929886065467
SVR(C=1.2)测试集准确率为:-672.747134789489
测试集均方误差: 0.012684302261909159
训练集均方误差: 2.44567194386932
sklearn回归模型流程(以SVR为例)
讲道理确实很难看,但是流程应该对吧。

版权声明:本文为博主Icy Hunter原创文章,版权归属原作者,如果侵权,请联系我们删除!

原文链接:https://blog.csdn.net/qq_52785473/article/details/122577569

共计人评分,平均

到目前为止还没有投票!成为第一位评论此文章。

(0)
社会演员多的头像社会演员多普通用户
上一篇 2022年1月19日 上午11:43
下一篇 2022年1月19日 上午11:53

相关推荐