ML之回归预测:利用九大类机器学习算法对无人驾驶系统参数(2018年的data,18+2)进行回归预测+评估九种模型性能
ML之回归预测:利用九大类机器学习算法对无人驾驶系统参数(2018年的data,18+2)进行回归预测+评估九种模型性能
相关文章
ML之回归预测:利用九大类机器学习算法对自动驾驶系统参数(2018年的data,18+2)进行回归预测+评估九种模型性能
目录
输出记录
1、第一次输出错误记录
2、第二次输出评估模型性能记录
输出记录
1、第一次输出错误记录
数据的初步查验:输出回归目标值的差异
The max target value is PeakNonedb 89
dtype: int64
The min target value is PeakNonedb 56
dtype: int64
The average target value is PeakNonedb 63.392157
dtype: float64
LiR |
LiR:The value of default measurement of LiR is 0.5231458055883893 LiR:R-squared value of DecisionTreeRegressor: 0.5231458055883893 LiR:The mean squared error of DecisionTreeRegressor: 25.294980943838745 LiR:The mean absoluate error of DecisionTreeRegressor: 3.608855227697136 LiR:测试141~153行数据, [[ 747.01164105] [1534.72506527] [2569.73860794] [3646.40436281] [1579.9293663 ] [2860.34593738] [3736.26316737] [3506.55843101] [3519.97015753] [3565.68403454] [3666.57047459] [3700.74687407]] |
kNN |
kNNR_uni:The value of default measurement of kNNR_uni is 0.5866024699259604 kNNR_dis:The value of default measurement of kNNR_dis is 0.6601811947182363 |
SVM |
linear_SVR:The value of default measurement of linear_SVR is 0.22831988148305604 poly_SVR:The value of default measurement of poly_SVR is 0.5579245050116022 rbf_SVR:The value of default measurement of rbf_SVR is 0.48978384736121017 |
DT |
DTR:The value of default measurement of DTR is 0.2302209550962223 DTR:R-squared value of DecisionTreeRegressor: 0.2302209550962223 DTR:The mean squared error of DecisionTreeRegressor: 40.833333333333336 DTR:The mean absoluate error of DecisionTreeRegressor: 4.111111111111111 DTR:测试141~153行数据, [3.89129343 3.89129343 3.89129343 3.89129343 3.89129343 3.89129343 3.89129343 3.89129343 3.89129343 3.89129343 3.89129343 3.89129343] |
RF |
RFR:The value of default measurement of RFR is 0.6240708685469911 RFR:R-squared value of DecisionTreeRegressor: 0.6240708685469911 RFR:The mean squared error of DecisionTreeRegressor: 19.941358024691358 RFR:The mean absoluate error of DecisionTreeRegressor: 2.9907407407407405 RFR:测试141~153行数据 [2.89029058 3.09049115 3.09049115 3.09049115 3.09049115 3.09049115 3.09049115 2.90206708 3.10226765 3.10226765 3.09049115 3.09049115] |
ETR |
ETR:The value of default measurement of ETR is 0.7190149388336945 ETR:R-squared value of DecisionTreeRegressor: 0.7190149388336945 ETR:The mean squared error of DecisionTreeRegressor: 14.904999999999989 ETR:The mean absoluate error of DecisionTreeRegressor: 2.6666666666666656 ETR:测试141~153行数据 [2.51344245 2.54877196 2.54877196 2.54877196 2.54877196 2.54877196 2.54877196 2.33679488 2.54877196 2.54877196 2.54877196 2.54877196] |
GB/GD |
SGDR:The value of default measurement of SGDR is 0.4691791802079268 GBR:The value of default measurement of GBR is 0.6340219593738237 |
LGB |
[LightGBM] [Warning] feature_fraction is set=0.6, colsample_bytree=1.0 will be ignored. Current value: feature_fraction=0.6 [LightGBM] [Warning] min_data_in_leaf is set=18, min_child_samples=20 will be ignored. Current value: min_data_in_leaf=18 [LightGBM] [Warning] min_sum_hessian_in_leaf is set=0.001, min_child_weight=0.001 will be ignored. Current value: min_sum_hessian_in_leaf=0.001 [LightGBM] [Warning] bagging_fraction is set=0.7, subsample=1.0 will be ignored. Current value: bagging_fraction=0.7 LGB:The value of default measurement of LGB is 0.7257085935738725 LGB:R-squared value of DecisionTreeRegressor: 0.6340219593738237 LGB:The mean squared error of DecisionTreeRegressor: 19.413497190530663 LGB:The mean absoluate error of DecisionTreeRegressor: 2.792040256427659 LGB:测试141~153行数据 [2.35312797 2.34599463 2.34599463 2.34599463 2.34599463 2.34599463 2.34599463 2.34599463 2.34599463 2.34599463 2.34599463 2.34599463] |
2、第二次输出评估模型性能记录
LiR |
LiR:The value of default measurement of LiR is 0.5231458055883893 LiR:R-squared value of DecisionTreeRegressor: 0.5231458055883893 LiR:The mean squared error of DecisionTreeRegressor: 25.294980943838745 LiR:The mean absoluate error of DecisionTreeRegressor: 3.608855227697136 |
kNN |
kNNR_uni:The value of default measurement of kNNR_uni is 0.5866024699259604 kNNR_dis:The value of default measurement of kNNR_dis is 0.6601811947182363 |
SVM |
linear_SVR:The value of default measurement of linear_SVR is 0.22831988148305604 poly_SVR:The value of default measurement of poly_SVR is 0.5579245050116022 rbf_SVR:The value of default measurement of rbf_SVR is 0.48978384736121017 |
DT |
DTR:The value of default measurement of DTR is -0.3190975606208273 DTR:R-squared value of DecisionTreeRegressor: -0.3190975606208273 DTR:The mean squared error of DecisionTreeRegressor: 69.97222222222223 DTR:The mean absoluate error of DecisionTreeRegressor: 5.027777777777778 |
RF |
RFR:The value of default measurement of RFR is 0.6920860546642035 RFR:R-squared value of DecisionTreeRegressor: 0.6920860546642035 RFR:The mean squared error of DecisionTreeRegressor: 16.333456790123456 RFR:The mean absoluate error of DecisionTreeRegressor: 2.861111111111111 |
ETR |
ETR:The value of default measurement of ETR is 0.6602917945510349 ETR:R-squared value of DecisionTreeRegressor: 0.6602917945510349 ETR:The mean squared error of DecisionTreeRegressor: 18.019999999999996 ETR:The mean absoluate error of DecisionTreeRegressor: 3.0055555555555555 |
GB/GD |
SGDR:The value of default measurement of SGDR is 0.46348293353800685 GBR:The value of default measurement of GBR is 0.6242967693280365 |
LGB |
[LightGBM] [Warning] feature_fraction is set=0.6, colsample_bytree=1.0 will be ignored. Current value: feature_fraction=0.6 LGB:The value of default measurement of LGB is 0.7257085935738725 |
ML之回归预测:利用九大类机器学习算法对无人驾驶系统参数(2018年的data,18+2)进行回归预测+评估九种模型性能相关推荐
- ML之回归预测:利用九大类机器学习算法对无人驾驶汽车系统参数(2018年的data,18+2)进行回归预测值VS真实值
ML之回归预测:利用九大类机器学习算法对无人驾驶汽车系统参数(2018年的data,18+2)进行回归预测值VS真实值 相关文章 ML之回归预测:利用九大类机器学习算法对无人驾驶汽车系统参数(2018 ...
- java ML回归预测_ML之回归预测:利用九大类机器学习算法对无人驾驶汽车系统参数(2018年的data,18+2)进行回归预测值VS真实值...
ML之回归预测:利用九大类机器学习算法对无人驾驶汽车系统参数(2018年的data,18+2)进行回归预测值VS真实值 目录 输出结果 数据的初步查验:输出回归目标值的差异 The max targe ...
- ML之回归预测:利用八(9-1)种机器学习算法对无人驾驶汽车参数(2017年的data,18+2)进行回归预测值VS真实值
ML之回归预测:利用八(9-1)种机器学习算法对无人驾驶汽车参数(2017年的data,18+2)进行回归预测值VS真实值 目录 模型评估 输出结果 模型评估 相关文章:ML之回归预测:利用八(9-1 ...
- python常用代码入门-入门十大Python机器学习算法(附代码)
入门十大Python机器学习算法(附代码) 今天,给大家推荐最常用的10种机器学习算法,它们几乎可以用在所有的数据问题上: 1.线性回归 线性回归通常用于根据连续变量估计实际数值(房价.呼叫次数.总销 ...
- 图解十大经典机器学习算法入门
弱人工智能近几年取得了重大突破,悄然间,已经成为每个人生活中必不可少的一部分.以我们的智能手机为例,看看到底温藏着多少人工智能的神奇魔术. 下图是一部典型的智能手机上安装的一些常见应用程序,可能很多人 ...
- ML之回归预测:利用十类机器学习算法(线性回归、kNN、SVM、决策树、随机森林、极端随机树、SGD、提升树、LightGBM、XGBoost)对波士顿数据集回归预测(模型评估、推理并导到csv)
ML之回归预测:利用十类机器学习算法(线性回归.kNN.SVM.决策树.随机森林.极端随机树.SGD.提升树.LightGBM.XGBoost)对波士顿数据集[13+1,506]回归预测(模型评估.推 ...
- ML之回归预测:利用两种机器学习算法(LiR,XGBoost(调优+重要性可视化+特征选择模型))对无人驾驶汽车系统参数(2017年的data,18+2)进行回归预测值VS真实值
ML之回归预测:利用两种机器学习算法(LiR,XGBoost(调优+重要性可视化+特征选择模型))对无人驾驶汽车系统参数(2017年的data,18+2)进行回归预测值VS真实值 目录 输出结果 1. ...
- ML之回归预测:利用十(xgboost,10-1)种机器学习算法对无人驾驶汽车系统参数(2017年的data,18+2)进行回归预测值VS真实值——bug调试记录
ML之回归预测:利用十(xgboost,10-1)种机器学习算法对无人驾驶汽车系统参数(2017年的data,18+2)进行回归预测值VS真实值--bug调试记录 目录 输出结果 1.增加XGBR算法 ...
- 推荐九大类实用的AI工具网站 | 最实用的AI工具网站推荐大全(建议收藏!!!)
推荐九大类实用的AI工具网站 | 最实用的AI工具网站推荐大全(建议收藏!!!) 引言 随着AI技术的快速发展,越来越多的网站开始提供AI工具,以帮助用户解决日常工作和生活中的问题.在这篇博客中,将为 ...
最新文章
- ​ROS必须理解的概念
- Android studio ButterKnife插件
- 根据文件属性或权限进行find查找
- 加密解密时遇到的不正确的数据以及要解密的数据长度无效问题解决方案
- js弹出对话框的方法总结
- ajax获取后台数据出错parsererror
- android 屏幕旋转不重新加载,Android webview旋转屏幕导致页面重新加载问题解决办法...
- ruby array_Ruby中带有示例的Array.fill()方法(3)
- 使用Fiddler对android应用抓包 专题
- 一周小结(2016-05-16~2016-05-21)
- mysql 事务 实现_什么是mysql的事务和实现
- java 设置session超时_Java设置session超时(失效)的时间
- MacOs提升效率必备软件
- c4dr20怎么安装oc渲染器怎么安装_[C4D插件] OTOY正式发布OC渲染器OctaneRender4 For C4D 支持R16-R20 Demo版已开放下载(Win)...
- etal斜体吗 参考文献_参考文献的标准格式
- vue3+TDesign实现表格序号递增(t-table)
- 计算机类毕业设计评语导师评语,本科生毕业设计导师评语参考
- 吐血分享:QQ群霸屏技术教程之霸屏实施细则
- Python正则表达式-re模块奇技淫巧
- 通过码云来学习Git的进阶技能(文末附福利!)
热门文章
- aida64 extreme 序列号_轻声问海关,规范申报错了谁负责?底料来源四川行不行?没有公式定价行不行?序列号是料号行不行?...
- Armv8-A 架构概述
- SPIDR - 完美分割用户故事的五种简单技巧
- (二)微服务分布式云架构 - spring cloud整合企业架构的技术点
- SVN提示:由于目标机器积极拒绝,无法连接 的解决方法
- UT斯达康XV6700应用及常见问题
- 数据库视频总结一(概述)
- 这是一个有趣的问题,Java 8 Lambda 表达式被编译成了什么?
- 凌晨1点突发致命生产事故!看的我惊心动魄…
- 招程序员,得招 “会编程” 的