ML之分类预测之ElasticNet之PLoR：在二分类数据集上调用Glmnet库训练PLoR模型(T2)

输出结果

设计思路

核心代码

输出结果

设计思路

核心代码

for iStep in range(nSteps):lam = lam * lamMult betaIRLS = list(beta)beta0IRLS = beta0distIRLS = 100.0iterIRLS = 0while distIRLS > 0.01:iterIRLS += 1iterInner = 0.0betaInner = list(betaIRLS)beta0Inner = beta0IRLSdistInner = 100.0while distInner > 0.01:iterInner += 1if iterInner > 100: breakbetaStart = list(betaInner)for iCol in range(ncol):sumWxr = 0.0sumWxx = 0.0sumWr = 0.0sumW = 0.0for iRow in range(nrow):x = list(xNormalized[iRow])y = labels[iRow]p = Pr(beta0IRLS, betaIRLS, x)if abs(p) < 1e-5:p = 0.0w = 1e-5elif abs(1.0 - p) < 1e-5:p = 1.0w = 1e-5else:w = p * (1.0 - p)z = (y - p) / w + beta0IRLS + sum([x[i] * betaIRLS[i] for i in range(ncol)])r = z - beta0Inner - sum([x[i] * betaInner[i] for i in range(ncol)])sumWxr += w * x[iCol] * rsumWxx += w * x[iCol] * x[iCol]sumWr += w * rsumW += wavgWxr = sumWxr / nrowavgWxx = sumWxx / nrowbeta0Inner = beta0Inner + sumWr / sumWuncBeta = avgWxr + avgWxx * betaInner[iCol]betaInner[iCol] = S(uncBeta, lam * alpha) / (avgWxx + lam * (1.0 - alpha))sumDiff = sum([abs(betaInner[n] - betaStart[n]) for n in range(ncol)])sumBeta = sum([abs(betaInner[n]) for n in range(ncol)])distInner = sumDiff/sumBetaa = sum([abs(betaIRLS[i] - betaInner[i]) for i in range(ncol)])b = sum([abs(betaIRLS[i]) for i in range(ncol)])distIRLS = a / (b + 0.0001)dBeta = [betaInner[i] - betaIRLS[i] for i in range(ncol)]gradStep = 1.0temp = [betaIRLS[i] + gradStep * dBeta[i] for i in range(ncol)]betaIRLS = list(temp)beta = list(betaIRLS)beta0 = beta0IRLSbetaMat.append(list(beta))beta0List.append(beta0)nzBeta = [index for index in range(ncol) if beta[index] != 0.0]for q in nzBeta:if not(q in nzList):nzList.append(q)

ML之分类预测之ElasticNet之PLoR：在二分类数据集上调用Glmnet库训练PLoR模型(T2)相关推荐

ML之分类预测之ElasticNet：利用ElasticNet回归对二分类数据集构建二分类器(DIY交叉验证+分类的两种度量PK)
ML之分类预测之ElasticNet:利用ElasticNet回归对二分类数据集构建二分类器(DIY交叉验证+分类的两种度量PK) 目录输出结果设计思路核心代码输出结果设计思路核心代码 # ...
分类预测 | MATLAB实现1-DCNN一维卷积神经网络分类预测
分类预测 | MATLAB实现1-DCNN一维卷积神经网络分类预测目录分类预测 | MATLAB实现1-DCNN一维卷积神经网络分类预测基本介绍程序设计学习总结参考资料基本介绍使用卷积 ...
Lesson 8.38.4 二分类神经网络torch.nn.functional实现单层二分类网络的正向传播
二.二分类神经网络:逻辑回归 1 二分类神经网络的理论基础线性回归是统计学经典算法,它能够拟合出一条直线来描述变量之间的线性关系.但在实际中,变量之间的关系通常都不是一条直线,而是呈现出某种曲线关系 ...
python 二分类的实例_深入理解GBDT二分类算法
我的个人微信公众号:Microstrong 微信公众号ID:MicrostrongAI 微信公众号介绍:Microstrong(小强)同学主要研究机器学习.深度学习.计算机视觉.智能对话系统相关内容, ...
分类预测回归预测_我们应该如何汇总分类预测？
分类预测回归预测 If you are reading this, then you probably tried to predict who will survive the Titanic sh ...
2018年的AI/ML惊喜及预测19年的走势（二）
年度回顾:2018年的AI/ML惊喜及预测19年的走势(一) Unravel Data首席执行官Kunal Agarwal 人工智能和机器学习的日益重视将会推动TensorFlow和H2O实现技术突破 ...
逻辑回归二分类算法python_机器学习第七周--二分类算法逻辑回归
一.Logistic分类算法逻辑回归(Logistic Regression, LR)是传统机器学习中的一种分类模型,由于算法的简单和高效,解释性好以及容易扩展等优点,被广泛应用于点击率预估(CTR ...
【深度学习】——利用pytorch搭建一个完整的深度学习项目（构建模型、加载数据集、参数配置、训练、模型保存、预测）
目录一.深度学习项目的基本构成二.实战(猫狗分类) 1.数据集下载 2.dataset.py文件 3.model.py 4.config.py 5.predict.py 一.深度学习项目的基本构成 ...
ML之xgboost：利用xgboost算法(sklearn+3Split+调参曲线+EarlyStop)训练mushroom蘑菇数据集(22+1,6513+1611)来预测蘑菇是否毒性(二分类预测)
ML之xgboost:利用xgboost算法(sklearn+3Spli+调参曲线+EarlyStop)训练mushroom蘑菇数据集(22+1,6513+1611)来预测蘑菇是否毒性(二分类预测) ...

ML之分类预测之ElasticNet之PLoR：在二分类数据集上调用Glmnet库训练PLoR模型(T2)

输出结果

设计思路

核心代码

ML之分类预测之ElasticNet之PLoR：在二分类数据集上调用Glmnet库训练PLoR模型(T2)相关推荐

最新文章

热门文章