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)

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 ...

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)

设计思路

输出结果

1、LARS

2、10-fold cross validation

实现代码

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

最新文章

热门文章