ML之PLiR之LARS:利用LARS算法求解ElasticNet回归类型问题(实数值评分预测)
ML之PLiR之LARS:利用LARS算法求解ElasticNet回归类型问题(实数值评分预测)
目录
设计思路
输出结果
1、LARS
2、10-fold cross validation
实现代码
设计思路
更新……
输出结果
['"alcohol"', '"volatile acidity"', '"sulphates"', '"total sulfur dioxide"', '"chlorides"', '"fixed acidity"', '"pH"', '"free sulfur dioxide"', '"citric acid"', '"residual sugar"', '"density"']
1、LARS
2、10-fold cross validation
Minimum Mean Square Error 0.5873018933136459
Index of Minimum Mean Square Error 311
实现代码
#initialize a vector of coefficients beta
beta = [0.0] * ncols#initialize matrix of betas at each step
betaMat = []
betaMat.append(list(beta))#number of steps to take
nSteps = 350
stepSize = 0.004
nzList = []for i in range(nSteps):#calculate residualsresiduals = [0.0] * nrowsfor j in range(nrows):labelsHat = sum([xNormalized[j][k] * beta[k] for k in range(ncols)])residuals[j] = labelNormalized[j] - labelsHat#calculate correlation between attribute columns from normalized wine and residualcorr = [0.0] * ncolsfor j in range(ncols):corr[j] = sum([xNormalized[k][j] * residuals[k] for k in range(nrows)]) / nrowsiStar = 0corrStar = corr[0]for j in range(1, (ncols)):if abs(corrStar) < abs(corr[j]):iStar = j; corrStar = corr[j]beta[iStar] += stepSize * corrStar / abs(corrStar)betaMat.append(list(beta))nzBeta = [index for index in range(ncols) if beta[index] != 0.0]for q in nzBeta:if (q in nzList) == False:nzList.append(q)nameList = [names[nzList[i]] for i in range(len(nzList))]print(nameList)
for i in range(ncols):#plot range of beta values for each attributecoefCurve = [betaMat[k][i] for k in range(nSteps)]xaxis = range(nSteps)plot.plot(xaxis, coefCurve)
ML之PLiR之LARS:利用LARS算法求解ElasticNet回归类型问题(实数值评分预测)相关推荐
- ML之PLiR之Glmnet:利用Glmnet算法求解ElasticNet回归类型问题(实数值评分预测)
ML之PLiR之Glmnet算法:利用Glmnet算法求解ElasticNet回归类型问题(实数值评分预测) 目录 输出结果 1.Glmnet算法 实现代码 输出结果 0 2 1 2 2 2 3 3 ...
- EL之Bagging(DTR):利用Bagging对回归问题(实数值评分预测)建模(调2参)
EL之Bagging(DTR):利用Bagging对回归问题(实数值评分预测)建模(调2参) 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 bagFract = 1.0 #---- ...
- EL之GB(GBR):利用GBR对回归问题(实数值评分预测)建模
EL之GB(GBR):利用GBR对回归问题(实数值评分预测)建模 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 wineGBMModel = ensemble.GradientBo ...
- EL之RF(RFR):利用RandomForestRegressor对回归问题(实数值评分预测)建模(调2参)
EL之RF(RFR):利用RandomForestRegressor对回归问题(实数值评分预测)建模(调2参) 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 mseOos = [] ...
- ML之回归预测:以某个数据集为例从0到1深入理解科学预测之回归(实数值评分预测)问题的思路框架
ML之回归预测:以某个数据集为例从0到1深入理解科学预测之回归(实数值评分预测)问题的思路框架 相关文章 ML之PLiR之LARS:利用LARS算法求解ElasticNet回归类型问题(实数值评分预测 ...
- ML之PLiR之LARS:利用LARS算法求解ElasticNet回归类型(包括类别编码+属性重要程度排序)问题(实数值年龄预测)
ML之PLiR之LARS:利用LARS算法求解ElasticNet回归类型(包括类别编码+属性重要程度排序)问题(实数值年龄预测) 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 x ...
- ML之回归预测:利用FSR/RiR/BasisExpand/ Lasso/DT/RF/GB算法对红酒品质wine数据集实现红酒口感评分预测(实数值评分预测)
ML之回归预测:利用FSR/RiR/BasisExpand/ Lasso/DT/RF/GB算法对红酒品质wine数据集实现红酒口感评分预测(实数值评分预测) 目录 输出结果 设计思路 T1.FSR(前 ...
- ML之回归预测之Lasso:利用Lasso算法对红酒品质wine数据集实现红酒口感评分预测(实数值评分预测)
ML之回归预测之Lasso:利用Lasso算法对红酒品质wine数据集实现红酒口感评分预测(实数值评分预测) 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 t=3if t==1:X ...
- ML之回归预测之BE:利用BE算法解决回归(实数值评分预测)问题—线性方法解决非线性问题
ML之回归预测之BE:利用BE算法解决回归(实数值评分预测)问题-线性方法解决非线性问题 目录 输出结果 设计思路 代码实现 输出结果 设计思路 代码实现 for row in xList:newRo ...
最新文章
- python 运算符 is 与 is not 的理解
- 改动Androidproject的名称(非Eclipse重命名)
- 给大家一个自己上牌的参考!
- 666!让移动端也用上3D·VR特效
- [Delphi]根据输入日期按年月周日输出日期段
- 如何排查 .NET 内存泄漏
- 分析堆栈溢出原因_我分析了有关堆栈溢出的所有书籍。 这是最受欢迎的。
- 啥叫旁路电容?啥叫去耦?可以不再争论了吗
- 四边形不等式优化dp
- JavaScript基础笔记(十四)最佳实践
- ES6 面向对象编程
- 关于web.xml 中的 welcome-file-list 的认识
- vb语言和python语言_用VB“写”Python程序
- Altium Designer入门与进阶教程系列
- Matlab如何多行添加注释和取消注释
- 绘制抽样函数Sa(x)matlab代码
- 常用web前端UI组件库
- spring boot启动报错: The APR based Apache Tomcat Native library which allows optimal performance
- css气泡图片上下浮动
- RGBD相机的标定和图像配准