ML之LiR:利用LiR线性回归算法(自定义目标函数MSE和优化器GD)对Boston房价数据集(两特征+归一化)进行回归预测
ML之LiR:利用LiR线性回归算法(自定义目标函数MSE和优化器GD)对Boston房价数据集(两特征+归一化)进行回归预测
目录
利用LiR线性回归算法(自定义目标函数MSE和优化器GD)对Boston房价数据集(两特征+归一化)进行回归预测
设计思路
输出结果
核心代码
相关文章
ML之LiR:利用LiR线性回归算法(自定义目标函数MSE和优化器GD)对Boston房价数据集(两特征+归一化)进行回归预测
ML之LiR:利用LiR线性回归算法(自定义目标函数MSE和优化器GD)对Boston房价数据集(两特征+归一化)进行回归预测实现
利用LiR线性回归算法(自定义目标函数MSE和优化器GD)对Boston房价数据集(两特征+归一化)进行回归预测
设计思路
输出结果
train_boston_data.shape (1460, 81)Id MSSubClass MSZoning ... SaleType SaleCondition SalePrice
0 1 60 RL ... WD Normal 208500
1 2 20 RL ... WD Normal 181500
2 3 60 RL ... WD Normal 223500
3 4 70 RL ... WD Abnorml 140000
4 5 60 RL ... WD Normal 250000[5 rows x 81 columns]
train_t.head() LotFrontage GarageArea SalePrice
0 65.0 548 208500
1 80.0 460 181500
2 68.0 608 223500
3 60.0 642 140000
4 84.0 836 250000
after scale,train_t.head() LotFrontage GarageArea SalePrice
0 0.207668 0.386460 0.276159
1 0.255591 0.324401 0.240397
2 0.217252 0.428773 0.296026
3 0.191693 0.452750 0.185430
4 0.268371 0.589563 0.331126LotFrontage GarageArea
0 0.207668 0.386460
1 0.255591 0.324401
2 0.217252 0.428773
3 0.191693 0.452750
4 0.268371 0.589563Id MSSubClass LotFrontage ... MoSold YrSold SalePrice
Id 1.000000 0.011156 -0.010601 ... 0.021172 0.000712 -0.021917
MSSubClass 0.011156 1.000000 -0.386347 ... -0.013585 -0.021407 -0.084284
LotFrontage -0.010601 -0.386347 1.000000 ... 0.011200 0.007450 0.351799
LotArea -0.033226 -0.139781 0.426095 ... 0.001205 -0.014261 0.263843
OverallQual -0.028365 0.032628 0.251646 ... 0.070815 -0.027347 0.790982
OverallCond 0.012609 -0.059316 -0.059213 ... -0.003511 0.043950 -0.077856
YearBuilt -0.012713 0.027850 0.123349 ... 0.012398 -0.013618 0.522897
YearRemodAdd -0.021998 0.040581 0.088866 ... 0.021490 0.035743 0.507101
MasVnrArea -0.050298 0.022936 0.193458 ... -0.005965 -0.008201 0.477493
BsmtFinSF1 -0.005024 -0.069836 0.233633 ... -0.015727 0.014359 0.386420
BsmtFinSF2 -0.005968 -0.065649 0.049900 ... -0.015211 0.031706 -0.011378
BsmtUnfSF -0.007940 -0.140759 0.132644 ... 0.034888 -0.041258 0.214479
TotalBsmtSF -0.015415 -0.238518 0.392075 ... 0.013196 -0.014969 0.613581
1stFlrSF 0.010496 -0.251758 0.457181 ... 0.031372 -0.013604 0.605852
2ndFlrSF 0.005590 0.307886 0.080177 ... 0.035164 -0.028700 0.319334
LowQualFinSF -0.044230 0.046474 0.038469 ... -0.022174 -0.028921 -0.025606
GrLivArea 0.008273 0.074853 0.402797 ... 0.050240 -0.036526 0.708624
BsmtFullBath 0.002289 0.003491 0.100949 ... -0.025361 0.067049 0.227122
BsmtHalfBath -0.020155 -0.002333 -0.007234 ... 0.032873 -0.046524 -0.016844
FullBath 0.005587 0.131608 0.198769 ... 0.055872 -0.019669 0.560664
HalfBath 0.006784 0.177354 0.053532 ... -0.009050 -0.010269 0.284108
BedroomAbvGr 0.037719 -0.023438 0.263170 ... 0.046544 -0.036014 0.168213
KitchenAbvGr 0.002951 0.281721 -0.006069 ... 0.026589 0.031687 -0.135907
TotRmsAbvGrd 0.027239 0.040380 0.352096 ... 0.036907 -0.034516 0.533723
Fireplaces -0.019772 -0.045569 0.266639 ... 0.046357 -0.024096 0.466929
GarageYrBlt 0.000072 0.085072 0.070250 ... 0.005337 -0.001014 0.486362
GarageCars 0.016570 -0.040110 0.285691 ... 0.040522 -0.039117 0.640409
GarageArea 0.017634 -0.098672 0.344997 ... 0.027974 -0.027378 0.623431
WoodDeckSF -0.029643 -0.012579 0.088521 ... 0.021011 0.022270 0.324413
OpenPorchSF -0.000477 -0.006100 0.151972 ... 0.071255 -0.057619 0.315856
EnclosedPorch 0.002889 -0.012037 0.010700 ... -0.028887 -0.009916 -0.128578
3SsnPorch -0.046635 -0.043825 0.070029 ... 0.029474 0.018645 0.044584
ScreenPorch 0.001330 -0.026030 0.041383 ... 0.023217 0.010694 0.111447
PoolArea 0.057044 0.008283 0.206167 ... -0.033737 -0.059689 0.092404
MiscVal -0.006242 -0.007683 0.003368 ... -0.006495 0.004906 -0.021190
MoSold 0.021172 -0.013585 0.011200 ... 1.000000 -0.145721 0.046432
YrSold 0.000712 -0.021407 0.007450 ... -0.145721 1.000000 -0.028923
SalePrice -0.021917 -0.084284 0.351799 ... 0.046432 -0.028923 1.000000[38 rows x 38 columns]
coef and intercept: [0.21627565 0.41024884] 0.0543428481373919
cost after log: -3.850369422061899 -4.52343070892457
best w1 and w2 after GD: 0.10003438525600654 0.30004957896248946
核心代码
LiR = linear_model.LinearRegression()
LiR.fit(X_train, y_train)
print('coef and intercept: ',LiR.coef_,LiR.intercept_)def CalCostByW(train_df,slope):w1_lists=[];w2_lists=[];cost_lists=[]for i in range (30):for j in range(30):w1= slope*i+0.1w2= slope*j+0.3w1_lists.append(w1); w2_lists.append(w2)cost_lists.append(cost(train_df,train_df.LotFrontage,train_df.GarageArea,w1,w2))# print (cost(train_df))return w1_lists,w2_lists,cost_lists
w1_lists,w2_lists,cost_lists=CalCostByW(train_t,0.01)
ML之LiR:利用LiR线性回归算法(自定义目标函数MSE和优化器GD)对Boston房价数据集(两特征+归一化)进行回归预测相关推荐
- ML之KMeans:利用KMeans算法对Boston房价数据集(两特征+归一化)进行二聚类分析
ML之KMeans:利用KMeans算法对Boston房价数据集(两特征+归一化)进行二聚类分析 目录 利用KMeans算法对Boston房价数据集(两特征+归一化)进行二聚类分析 设计思路 输出结果 ...
- ML之LiRLassoR:利用boston房价数据集(PCA处理)采用线性回归和Lasso套索回归算法实现房价预测模型评估
ML之LiR&LassoR:利用boston房价数据集(PCA处理)采用线性回归和Lasso套索回归算法实现房价预测模型评估 目录 利用boston房价数据集(PCA处理)采用线性回归和Las ...
- ML之FE:利用【数据分析+数据处理】算法对国内某平台上海2020年6月份房价数据集【12+1】进行特征工程处理(史上最完整,建议收藏)
ML之FE:利用[数据分析+数据处理]算法对国内某平台上海2020年6月份房价数据集[12+1]进行特征工程处理(史上最完整,建议收藏) 目录 利用[数据分析+数据处理]算法对链家房价数据集[12+1 ...
- ML之xgboost:利用xgboost算法对Boston(波士顿房价)数据集【特征列分段→独热编码】进行回归预测(房价预测)+预测新数据得分
ML之xgboost:利用xgboost算法对Boston(波士顿房价)数据集[特征列分段→独热编码]进行回归预测(房价预测)+预测新数据得分 导读 对Boston(波士顿房价)数据集进行特征工程,分 ...
- 【智能优化算法-黑猩猩算法】基于增强型黑猩猩优化器算法求解单目标优化问题附matlab代码
1 内容介绍 This article proposes a novel metaheuristic algorithm called Chimp Optimization Algorithm (Ch ...
- ML之回归预测:利用多个算法模型(LassoR、KernelRidgeR、ElasticNetR、GBR、LGBMR、XGBR)对国内某平台上海2020年6月份房价数据集【12+1】进行回归预测
ML之回归预测:利用多个算法模型(LassoR.KernelRidgeR.ElasticNetR.GBR.LGBMR.XGBR)对国内某平台上海2020年6月份房价数据集[12+1]进行回归预测(包括 ...
- ML之LiRLasso:基于datasets糖尿病数据集利用LiR和Lasso算法进行(9→1)回归预测(三维图散点图可视化)
ML之LiR&Lasso:基于datasets糖尿病数据集利用LiR和Lasso算法进行(9→1)回归预测(三维图散点图可视化) 目录 基于datasets糖尿病数据集利用LiR和Lasso算 ...
- ML之FE:基于LiR/Ridge/Lasso/ElasticNet/AvgModels/RF算法(GSCV) 利用某市房价数据集(特征工程处理)进行房价回归预测
ML之FE:基于LiR/Ridge/Lasso/ElasticNet/AvgModels/RF算法(GSCV) 利用某市房价数据集(特征工程处理)进行房价回归预测 目录 输出结果 设计思路 核心代码 ...
- ML之R:通过数据预处理利用LiR/XGBoost等(特征重要性/交叉训练曲线可视化/线性和非线性算法对比/三种模型调参/三种模型融合)实现二手汽车产品交易价格回归预测之详细攻略
ML之R:通过数据预处理利用LiR/XGBoost等(特征重要性/交叉训练曲线可视化/线性和非线性算法对比/三种模型调参/三种模型融合)实现二手汽车产品交易价格回归预测之详细攻略 目录 三.模型训练 ...
最新文章
- 气氛拉满!高校补办2020届毕业典礼,这些专属礼物太戳心......
- 医学假阴性?看看在机器学习中如何用来衡量分类模型的效果(附代码)
- 创业公司做数据分析(三)用户行为数据采集系统 (转)
- 【收藏】为什么在Scala中可以在运行时将AnyVal转换为AnyRef?AnyVal转换为AnyRef
- 蓝牙连接不上车要hfp_科普|蓝牙耳机小知识,这些都不知道难怪你选不到好的蓝牙耳机...
- 1048 Find Coins
- Databricks文档01----Azure Databricks初探
- AMD官宣350亿美元收购赛灵思 赛灵思大涨8.56%
- java加法处理器 图形界面,java作业设置加法器界面
- 无线充电安全性如何?最安全的无线充电宝盘点
- java来源_java的来源
- 思维导图在线制作,好用的思维导图软件分享
- ppt文字提取转word
- 新浪微博开放平台账号申请(基于dcloud开发)
- 跨越新数字鸿沟,懂行共识激发共振效应,成就数字化转型最短路径
- 常用H5标签-第三部分
- can和could的用法_can 和 could 用法异同
- Flex布局实战:支付宝首页
- 关于vmware(CENTOS 7 )虚拟机NAT模式下连不上网的问题解决。
- 2017级算法模拟上机准备篇(一)
热门文章
- Flask实战2问答平台-完成登录注册功能
- python dlib学习(一):人脸检测
- 定位插件_微创新 | 开发PL/SQL插件,快速定位所需字段
- swift添加下拉刷新_React Native自定义下拉刷新组件
- 代码逻辑分析_入行数据分析师不得不看的10本书
- python数据库操作之pymysql模块和sqlalchemy模块(项目必备)
- c memcpy 与 strcpy 区别
- [不屈的复习] - 编辑工具IDE选取与Hello World
- maven打包到本地库
- DBA(四):数据读写分离,MySQL多实例操作