1. 线性回归

1.线性回归算法

from pandas import read_csv
from sklearn.model_selection import KFold
from sklearn.model_selection import cross_val_score
from sklearn.linear_model import LinearRegressionfilename='/home/duan/regression-datasets-housing.csv'
names=['CRIM','ZN','INDUS','CHAS','NOX','RM','AGE','DIS','RAD','TAX','PRTATIO','B','LSTAT','MEDV']
data=read_csv(filename,names=names)
array= data.values
X= array[:,0:13]
Y= array[:,13]
num_folds=10
seed=7
kfold=KFold(n_splits=num_folds, random_state=seed)
model=LinearRegression()
scoring='neg_mean_squared_error'
result=cross_val_score(model,X,Y,cv=kfold,scoring=scoring)
print('Linear_Regression:%.3f'%result.mean())

运行结果：

Linear_Regression:-34.942

2.岭回归

from pandas import read_csv
from sklearn.model_selection import KFold
from sklearn.model_selection import cross_val_score
from sklearn.linear_model import Ridgefilename='/home/duan/regression-datasets-housing.csv'
names=['CRIM','ZN','INDUS','CHAS','NOX','RM','AGE','DIS','RAD','TAX','PRTATIO','B','LSTAT','MEDV']
data=read_csv(filename,names=names)
array= data.values
X= array[:,0:13]
Y= array[:,13]
num_folds=10
seed=7
kfold=KFold(n_splits=num_folds, random_state=seed)
model=Ridge()
scoring='neg_mean_squared_error'
result=cross_val_score(model,X,Y,cv=kfold,scoring=scoring)
print('Ridge_Regression:%.3f'%result.mean())

运行结果：

Ridge_Regression:-34.325

3.套索回归算法

#套索回归算法
from pandas import read_csv
from sklearn.model_selection import KFold
from sklearn.model_selection import cross_val_score
from sklearn.linear_model import Lassofilename='/home/duan/regression-datasets-housing.csv'
names=['CRIM','ZN','INDUS','CHAS','NOX','RM','AGE','DIS','RAD','TAX','PRTATIO','B','LSTAT','MEDV']
data=read_csv(filename,names=names)
array= data.values
X= array[:,0:13]
Y= array[:,13]
num_folds=10
seed=7
kfold=KFold(n_splits=num_folds, random_state=seed)
model=Lasso()
scoring='neg_mean_squared_error'
result=cross_val_score(model,X,Y,cv=kfold,scoring=scoring)
print('Lasso_Regression:%.3f'%result.mean())

运行结果：

Lasso_Regression:-34.614

4.弹性网络回归算法

#弹性网络回归算法
from pandas import read_csv
from sklearn.model_selection import KFold
from sklearn.model_selection import cross_val_score
from sklearn.linear_model import ElasticNetfilename='/home/duan/regression-datasets-housing.csv'
names=['CRIM','ZN','INDUS','CHAS','NOX','RM','AGE','DIS','RAD','TAX','PRTATIO','B','LSTAT','MEDV']
data=read_csv(filename,names=names)
array= data.values
X= array[:,0:13]
Y= array[:,13]
num_folds=10
seed=7
kfold=KFold(n_splits=num_folds, random_state=seed)
model=ElasticNet()
scoring='neg_mean_squared_error'
result=cross_val_score(model,X,Y,cv=kfold,scoring=scoring)
print('ElasticNet_Regression:%.3f'%result.mean())

运行结果：

ElasticNet_Regression:-31.292

2.非线性算法

1.K近邻算法

from pandas import read_csv
from sklearn.model_selection import KFold
from sklearn.model_selection import cross_val_score
from sklearn.neighbors import KNeighborsRegressorfilename='/home/duan/regression-datasets-housing.csv'
names=['CRIM','ZN','INDUS','CHAS','NOX','RM','AGE','DIS','RAD','TAX','PRTATIO','B','LSTAT','MEDV']
data=read_csv(filename,names=names)
array= data.values
X= array[:,0:13]
Y= array[:,13]
num_folds=10
seed=7
kfold=KFold(n_splits=num_folds, random_state=seed)
model=KNeighborsRegressor()
scoring='neg_mean_squared_error'
result=cross_val_score(model,X,Y,cv=kfold,scoring=scoring)
print('KNeighbors_Regression:%.3f'%result.mean())

运行结果：

KNeighbors_Regression:-107.193

2.分类与回归树

##分类树与回归树from pandas import read_csv
from sklearn.model_selection import KFold
from sklearn.model_selection import cross_val_score
from sklearn.tree import DecisionTreeRegressorfilename='/home/duan/regression-datasets-housing.csv'
names=['CRIM','ZN','INDUS','CHAS','NOX','RM','AGE','DIS','RAD','TAX','PRTATIO','B','LSTAT','MEDV']
data=read_csv(filename,names=names)
array= data.values
X= array[:,0:13]
Y= array[:,13]
num_folds=10
seed=7
kfold=KFold(n_splits=num_folds, random_state=seed)
model=DecisionTreeRegressor()
scoring='neg_mean_squared_error'
result=cross_val_score(model,X,Y,cv=kfold,scoring=scoring)
print('DecisionTree_Regression:%.3f'%result.mean())

运行结果：

DecisionTree_Regression:-32.817

3.支持向量机

from pandas import read_csv
from sklearn.model_selection import KFold
from sklearn.model_selection import cross_val_score
from sklearn.svm import SVRfilename='/home/duan/regression-datasets-housing.csv'
names=['CRIM','ZN','INDUS','CHAS','NOX','RM','AGE','DIS','RAD','TAX','PRTATIO','B','LSTAT','MEDV']
data=read_csv(filename,names=names)
array= data.values
X= array[:,0:13]
Y= array[:,13]
num_folds=10
seed=7
kfold=KFold(n_splits=num_folds, random_state=seed)
model=SVR()
scoring='neg_mean_squared_error'
result=cross_val_score(model,X,Y,cv=kfold,scoring=scoring)
print('SVR_Regression:%.3f'%result.mean())

运行结果：

SVR_Regression:-91.046

《深度学习Python实践》第13章——审查回归算法相关推荐

  1. 【神经网络与深度学习-TensorFlow实践】-中国大学MOOC课程（四）（Python语言基础（2））

    [神经网络与深度学习-TensorFlow实践]-中国大学MOOC课程(四)(Python语言基础(2)) 第4讲 Python语言基础(2) 4.1 内置数据结构 4.1.1 序列数据结构(sequ ...

  2. 人工神经网络理论、设计及应用_TensorFlow深度学习应用实践：教你如何掌握深度学习模型及应用...

    前言 通过TensorFlow图像处理,全面掌握深度学习模型及应用. 全面深入讲解反馈神经网络和卷积神经网络理论体系. 结合深度学习实际案例的实现,掌握TensorFlow程序设计方法和技巧. 着重深 ...

  3. 深度学习笔记第二门课 改善深层神经网络 第一周：深度学习的实践层面

    本文是吴恩达老师的深度学习课程[1]笔记部分. 作者:黄海广[2] 主要编写人员:黄海广.林兴木(第四所有底稿,第五课第一二周,第三周前三节).祝彦森:(第三课所有底稿).贺志尧(第五课第三周底稿). ...

  4. 2.1）深度学习笔记：深度学习的实践层面

    目录 1)Train/Dev/Test sets 2)Bias/Variance 3)Regularization(重点) 4)Why regularization reduces overfitti ...

  5. 解析深度学习:语音识别实践 (俞栋等著) 完整pdf[44MB]

    AlphaGo与李世石的围棋大战激发了人们对人工智能是非的诸多争论.人工智能背后的工作原理深度学习跳入大众的视野.AlphaGo的大获全胜一定程度展示了深度学习在应用领域的成功,而语音识别正是深度学习 ...

  6. 【神经网络与深度学习-TensorFlow实践】-中国大学MOOC课程（八）（TensorFlow基础））

    [神经网络与深度学习-TensorFlow实践]-中国大学MOOC课程(八)(TensorFlow基础)) 8 TensorFlow基础 8.1 TensorFlow2.0特性 8.1.1 Tenso ...

  7. 一文弄懂元学习 (Meta Learing)（附代码实战）《繁凡的深度学习笔记》第 15 章 元学习详解 （上）万字中文综述

    <繁凡的深度学习笔记>第 15 章 元学习详解 (上)万字中文综述(DL笔记整理系列) 3043331995@qq.com https://fanfansann.blog.csdn.net ...

  8. 一文让你完全弄懂回归问题、激活函数、梯度下降和神经元模型实战《繁凡的深度学习笔记》第 2 章 回归问题与神经元模型（DL笔记整理系列）

    <繁凡的深度学习笔记>第 2 章 回归问题与神经元模型(DL笔记整理系列) 3043331995@qq.com https://fanfansann.blog.csdn.net/ http ...

  9. 02.改善深层神经网络：超参数调试、正则化以及优化 W1.深度学习的实践层面（作业：初始化+正则化+梯度检验）

    文章目录 作业1:初始化 1. 神经网络模型 2. 使用 0 初始化 3. 随机初始化 4. He 初始化 作业2:正则化 1. 无正则化模型 2. L2 正则化 3. DropOut 正则化 3.1 ...

  10. 02.改善深层神经网络：超参数调试、正则化以及优化 W1.深度学习的实践层面

    文章目录 1. 训练,验证,测试集 2. 偏差,方差 3. 机器学习基础 4. 正则化 5. 为什么正则化预防过拟合 6. dropout(随机失活)正则化 7. 理解 dropout 8. 其他正则 ...

最新文章

  1. Tomcat灵活配置多项目，多端口，多域名，多虚拟目录
  2. STL中的unique函数
  3. B07_NumPy 高级索引(整数数组索引,布尔索引，花式索引)
  4. 像postman上传文件_90%的测试工程师是这样使用Postman做接口测试的……
  5. Centos7 安装docker-compose
  6. nginx服务器配置安全维护,Nginx服务器相关的一些安全配置建议
  7. python解析接口_010 python接口 bs4解析html
  8. 高通针对LED应用的点阵字库解决方案 — 支持多种字号字体显示
  9. 神经网络全连接层详解
  10. Go 程序是如何编译成目标机器码的
  11. 云计算机房设备清单报价,射阳县高级中学云计算机房建设预算.doc
  12. 网络扫描及安全评估实验实验报告
  13. 最强大脑张雨暄！14岁考入清华大学，18岁直博清华数学系
  14. Python｜报错解决｜os.symlink: FileExistsError
  15. 如何触发‘isTrusted = true‘点击事件
  16. Maltab生成棋盘格
  17. hualinux 1.25：Web开发技术发展史
  18. 《社交媒体大数据分析——理解并影响消费者行为》一第1章　市场营销
  19. 微信小程序嵌入 H5 页面（web-view）
  20. 【C语言】打印杨辉三角

热门文章

  1. php 修改文件所有者,PHP 改变文件的所有者
  2. 计算机系统的组成和应用,计算机系统组成与应用领域的考点
  3. 使用spring ioc基于纯xml配置模拟crud
  4. postman添加cookie_有了这款IDEA插件，再也不需要postman了
  5. php post重复提交session,PHP加Session防止表单重复提交的解决方法
  6. alert确认后执行_微任务、宏任务、DOM渲染的执行顺序
  7. 2020年GitHub上的7个顶级的Java开源目推荐（强烈安利）
  8. 数据结构_满二叉树、完全二叉树、二叉排序树、平衡二叉树
  9. 论文笔记_S2D.26_2017-ICCV_半监督深度学习的单目深度图预测
  10. 论文笔记_CV_AD_Visual Perception for Autonomous Driving