塘坑网站建设,wordpress设置导航,旅游哪个网站最好,wordpress js链接在做数据升维的时候#xff0c;最常见的手段就是将已知维度进行相乘#xff08;或者自乘#xff09;来构建新的维度 使用 np.concatenate()进行简单的#xff0c;幂次合并#xff0c;注意数据合并的方向axis 1 数据可视化时#xff0c;注意切片#xff0c;因为数据升维…在做数据升维的时候最常见的手段就是将已知维度进行相乘或者自乘来构建新的维度 使用 np.concatenate()进行简单的幂次合并注意数据合并的方向axis 1 数据可视化时注意切片因为数据升维后多了平方这一维
# 4、多项式升维 普通线性回归
X np.concatenate([X,X**2],axis 1)
使用 PolynomialFeatures 进行 特征升维
from sklearn.preprocessing import PolynomialFeatures
poly PolynomialFeatures() # 使用PolynomialFeatures进行特征升维
poly.fit(X,y)
X poly.transform(X)
调整字体大小: plt.rcParams[ font.size ] 18
import matplotlib.pyplot as plt
plt.rcParams[font.size] 18 1.1、多项式回归基本概念
对于多项式回归来说主要是为了扩展线性回归算法来适应更广泛的数据集比如我们数据集有两个维度 那么用多元线性回归公式就是 当我们使用二阶多项式升维的时候数据集就从原来的 扩展成了 。因此多元线性回归就得去多计算三个维度所对应的w值 。
import numpy as np
import matplotlib.pyplot as plt
from sklearn.linear_model import LinearRegression# 1、创建数据并进行可视化
X np.linspace(-1,11,num 100)
y (X - 5)**2 3*X -12 np.random.randn(100)
X X.reshape(-1,1)
plt.scatter(X,y)# 2、创建预测数据
X_test np.linspace(-2,12,num 200).reshape(-1,1)# 3、不进行升维 普通线性回归
model_1 LinearRegression()
model_1.fit(X,y)
y_test_1 model_1.predict(X_test)
plt.plot(X_test,y_test_1,color red)# 4、多项式升维 普通线性回归
X np.concatenate([X,X**2],axis 1)
model_2 LinearRegression()
model_2.fit(X,y)
# 5、测试数据处理并预测
X_test np.concatenate([X_test,X_test**2],axis 1)
y_test_2 model_2.predict(X_test)# 6、数据可视化切片操作
plt.plot(X_test[:,0],y_test_2,color green) 1.2 使用PolynomialFeatures进行特征升维
import matplotlib.pyplot as plt
import numpy as np
from sklearn.preprocessing import PolynomialFeatures,StandardScaler
from sklearn.linear_model import SGDRegressor# 1、创建数据并进行可视化
X np.linspace(-1,11,num 100)
y (X - 5)**2 3*X -12 np.random.randn(100)
X X.reshape(-1,1)
plt.scatter(X,y)# 3、使用PolynomialFeatures进行特征升维
poly PolynomialFeatures() # 特征升维
poly.fit(X,y)
X poly.transform(X)
s StandardScaler() # 归一化
X s.fit_transform(X)# 4、训练模型
model SGDRegressor(penaltyl2,eta0 0.01)
model.fit(X,y)# 2、创建预测数据
X_test np.linspace(-2,12,num 200).reshape(-1,1)
X_test poly.transform(X_test) # 特征升维
X_test_norm s.transform(X_test) # 归一化
y_test model.predict(X_test_norm)
plt.plot(X_test[:,1],y_test,color green)
1.3 多项式预测
天猫双十一销量与年份的关系是多项式关系假定销量和年份之间关系是三次幂关系 import numpy as np
from sklearn.linear_model import SGDRegressor
import matplotlib.pyplot as plt
from sklearn.preprocessing import PolynomialFeatures
from sklearn.preprocessing import StandardScaler
plt.figure(figsize(12,9))# 1、创建数据年份数据2009 ~ 2019
X np.arange(2009,2020)
y np.array([0.5,9.36,52,191,350,571,912,1207,1682,2135,2684])# 2、年份数据均值移除防止某一个特征列数据天然的数值太大而影响结果
X X - X.mean()
X X.reshape(-1,1)# 3、构建多项式特征3次幂
poly PolynomialFeatures(degree3)
X poly.fit_transform(X)
s StandardScaler()
X_norm s.fit_transform(X)# 4、创建模型
model SGDRegressor(penaltyl2,eta0 0.5,max_iter 5000)
model.fit(X_norm,y)# 5、数据预测
X_test np.linspace(-5,6,100).reshape(-1,1)
X_test poly.transform(X_test)
X_test_norm s.transform(X_test)
y_test model.predict(X_test_norm)# 6、数据可视化
plt.plot(X_test[:,1],y_test,color green)
plt.bar(X[:,1],y)
plt.bar(6,y_test[-1],color red)
plt.ylim(0,4096)
plt.text(6,y_test[-1] 100,round(y_test[-1],1),ha center)
_ plt.xticks(np.arange(-5,7),np.arange(2009,2021))
