数据挖掘实战分享：财政收入影响因素分析及预测（四）

泰迪智能科技（TipDM数据挖掘平台）最新推出的数据挖掘实战专栏

专栏将数据挖掘理论与项目案例实践相结合，可以让大家获得真实的数据挖掘学习与实践环境，更快、更好的学习数据挖掘知识与积累职业经验

专栏中每四篇文章为一个完整的数据挖掘案例。案例介绍顺序为：先由数据案例背景提出挖掘目标，再阐述分析方法与过程，最后完成模型构建，在介绍建模过程中同时穿插操作训练，把相关的知识点嵌入相应的操作过程中。

为方便读者轻松地获取一个真实的实验环境，本专栏使用大家熟知的Python语言对样本数据进行处理以进行挖掘建模。
————————————————
下面进入最终篇，上机实验及拓展思考～

实验目的

（1）掌握Lasso回归特征选择。

（2）构建灰色预测与神经网络预测模型。

实验内容

（1）对搜集的某市地方财政收入以及各类别收入数据，分析识别影响地方财政收入的关键属性，数据详见：test/data/data.csv。

（2）预测筛选出的关键影响因素的2014年、2015年的预测值。

（3）使用关键影响因素的2014年、2015年的预测值得到某市地方财政收入2014年、2015年的预测值。

实验方法与步骤

（1）将“data.csv”数据使用pandas库中的read_csv函数读入当前工作空间。

（2）使用scikit-learn中的Lasso函数对数据进行属性选择。

（3）使用GM(1,1)灰色预测方法得到筛选出的关键影响因素的2014年、2015年的预测值。

（4）使用支持向量回归模型对某市地方财政收入进行预测。

思考与实验总结

（1） Lasso回归如何设置合适的l值，在保证能够选取关键属性的前提下不过多的增加Lasso回归的复杂程度？

（2）在构建SVR预测模型前使用标准差标准化对数据进行标准化处理，如使用其他标准化处理方法对结果又会造成怎么样的影响？

拓展思考

MLP多层感知器（Multi-layerPerceptron）是一种前向结构的人工神经网络ANN，映射一组输入向量到一组输出向量。MLP可以被看做是一个有向图，由多个节点层组成，每一层全连接到下一层。除了输入节点，每个节点都是一个带有非线性激活函数的神经元。使用BP反向传播算法的监督学习方法来训练MLP。MLP是感知器的推广，克服了感知器不能对线性不可分数据进行识别的弱点。

相对于单层感知器，MLP多层感知器输出端从一个变到了多个；输入端和输出端之间也不光只有一层，现在有两层：输出层和隐藏层，如图1-1所示。

图 1-1多层感知器

MLP多层感知器是前馈神经网络的一个例子，一个前馈神经网络可以包含三种节点。

1) 输入节点（Input Nodes）：也称为输入层，输入节点从外部世界提供信息。在输入节点中，不进行任何的计算，仅向隐藏节点传递信息。

2) 隐藏节点（Hidden Nodes）：隐藏节点也称为隐藏层，和外部世界没有直接联系，这些节点进行计算，并将信息从输入节点传递到输出节点。尽管一个前馈神经网络只有一个输入层和一个输出层，但网络里可以没有也可以有多个隐藏层。

3) 输出节点（Output Nodes）：输出节点也称为输出层，负责计算，并从网络向外部世界传递信息。

在前馈网络中，信息只单向移动——从输入层开始前向移动，然后通过隐藏层，再到输出层。在网络中没有循环或回路。

MLP在80年代的时候曾是相当流行的机器学习方法，拥有广泛的应用场景，譬如语音识别、图像识别、机器翻译等等，但自90年代以来，MLP遇到来自更为简单的支持向量机的强劲竞争。近来，由于深层学习的成功，MLP又重新得到了关注。

MLP拥有高度的并行处理、高度的非线性全局作用、良好的容错性、具有联想记忆功能、非常强的自适应、自学习功能等优点。但是MLP的网络的隐含节点个数选取非常难，停止阈值、学习率、动量常数需要采用“trial-and-error”法，极其耗时，学习速度慢并且容易陷入局部极值。

使用MLP算法实现对本案例的财政收入预测，并与支持向量机回归模型的预测效果进行对比。

财政收入影响因素分析及预测模型实战案例至此结束，前三篇文章链接在

数据挖掘实战分享：财政收入影响因素分析及预测（四）相关推荐

python数据分析与挖掘实战（财政收入影响因素分析及预测）
导言随着信息化的发展和科学技术的进步,数据分析与挖掘技术开始得到广泛应用.人们无时无刻不面对着海量的数据,这些海量数据中隐藏着人们所需要的具有决策意义的信息.数据分析与挖掘技术的产生和发展就是帮助人 ...
数据挖掘实战分享：财政收入影响因素分析及预测（二）
泰迪智能科技(TipDM数据挖掘平台)最新推出的数据挖掘实战专栏专栏将数据挖掘理论与项目案例实践相结合,可以让大家获得真实的数据挖掘学习与实践环境,更快.更好的学习数据挖掘知识与积累职业经验专栏中 ...
数据挖掘实战分享：财政收入影响因素分析及预测（一）
泰迪智能科技最新推出的数据挖掘实战专栏专栏将数据挖掘理论与项目案例实践相结合,可以让大家获得真实的数据挖掘学习与实践环境,更快.更好的学习数据挖掘知识与积累职业经验专栏中每四篇文章为一个完整的数据 ...
【项目实战】Python基于Lasso特征选择、GM算法和SVR回归算法进行财政收入影响因素分析及预测
说明:这是一个机器学习实战项目(附带数据+代码+文档+视频讲解),如需数据+代码+文档+视频讲解可以直接到文章最后获取. 1.项目背景随着信息化的发展和科学技术的进步,数据分析与挖掘技术开始得到广泛 ...
财政收入影响因素分析及预测
一.项目概述数据来源:网络上自找的数据百度云盘链接:https://pan.baidu.com/s/1Lmhl34BumjBloN-rhy7Yqw 提取码:z84d 项目背景:地方财政收入,是指政府 ...
python财政收入预测分析_Python：Lasso方法、GM预测模型、神经网络预测模型之财政收入影响因素分析及预测...
问题重述通过研究,发现影响某市目前及未来地方财源的因素.结合文中目标:(1)选择模型,找出影响财政收入的关键因素:(2)基于关键因素,选择预测方法.模型预测未来收入. 具体来讲本文分析了地方财政收 ...
【深度学习实验】第二次：Python财政收入影响因素分析及预测
相关知识设变量 X ( 0 ) = { X ( 0 ) ( i ) , i = 1 , 2 , . . . , n
数据分析与挖掘：财政收入影响因素分析及预测模型
财政收入影响因素分析及预测模型 1. 背景与挖掘目标 2. 分析方法与过程 2.1 数据探索 2.2 模型构建 2.3 数据预测 1. 背景与挖掘目标项目为<Python 数据分析与挖掘实战& ...
10 财政收入影响因素分析及预测模型
4 10 财政收入影响因素分析及预测模型 10.1背景与挖掘目标本案例通过研究发现影响目前以及未来地方财源建设的因素,并对其进行深入分析,提出对该市地方财源优化的具体建议,供政府决策参考,同时为其他 ...

数据挖掘实战分享：财政收入影响因素分析及预测（四）

数据挖掘实战分享：财政收入影响因素分析及预测（四）相关推荐

最新文章

热门文章