ML之回归预测：利用十(xgboost,10-1)种机器学习算法对无人驾驶汽车系统参数(2017年的data,18+2)进行回归预测值VS真实值—

ML之回归预测：利用十(xgboost,10-1)种机器学习算法对无人驾驶汽车系统参数(2017年的data,18+2)进行回归预测值VS真实值——bug调试记录

输出结果

1、增加XGBR算法

输出结果

1、增加XGBR算法

1、增加XGBR算法时候，采用网格搜索的方法

XGBR_grid_model Training time： 135.60037931849538
输出XGBR_grid_model模型的最优参数： {'learning_rate': 0.03, 'max_depth': 4, 'n_estimators': 100}
XGBR_grid_model_best_score: 0.7993051604810518
XGBR_grid_model_score： -0.339632045000555

2、增加XGBR算法时候，调用得到的最佳参数，却输不出最佳参数对应的准确度！

3、增加XGBR算法时候，对新数据进行预测，遇到bug：因为XGBR算法，要求传入的数据都为数值型

成功解决ValueError: DataFrame.dtypes for label must be int, float or bool

4、默认配置参数，输出的准确度较低：54%
(1)、通过特征选择可得到最高准确度为67.69%

ML之回归预测：利用十种机器学习(LiR+xgboost(特征重要性+特征选择))算法对无人驾驶汽车系统参数(2017年的data,18+2)进行回归预测值VS真实值

XGBR：The value of default parameter of XGBR is 0.539021005879261
XGBR：R-squared value of DecisionTreeRegressor: 0.539021005879261
XGBR：测试[12.8, 13.0]行数据， [53.609283 53.47569  53.920986 53.920986 53.61446  53.61446  53.82615753.773552 53.44194  53.09419  54.089035 54.353115 53.321796 53.29324353.970306 53.752117 53.460567 53.44237  53.840027 53.920986 52.3508557.61133  57.598843 57.911274 58.06042  57.945023 57.665913]
------------------------------------------------------------
XGBR_model.feature_importances_： [0.08985916 0.01444405 0.08940411 0.         0.03163605 0.018708770.00869713 0.12159647 0.03933521 0.12161936 0.02289704 0.042608730.02663714 0.04179822 0.03441375 0.14182347 0.01409451 0.14042689]
Thresh=0.000, n=18, Accuracy: 52.56%
Thresh=0.009, n=17, Accuracy: 52.56%
Thresh=0.014, n=16, Accuracy: 51.94%
Thresh=0.014, n=15, Accuracy: 52.89%
Thresh=0.019, n=14, Accuracy: 54.23%
Thresh=0.023, n=13, Accuracy: 53.38%
Thresh=0.027, n=12, Accuracy: 52.86%
Thresh=0.032, n=11, Accuracy: 53.08%
Thresh=0.034, n=10, Accuracy: 64.67%
Thresh=0.039, n=9, Accuracy: 67.69%
Thresh=0.042, n=8, Accuracy: 66.25%
Thresh=0.043, n=7, Accuracy: 67.52%
Thresh=0.089, n=6, Accuracy: 64.64%
Thresh=0.090, n=5, Accuracy: 40.05%
Thresh=0.122, n=4, Accuracy: 37.93%
Thresh=0.122, n=3, Accuracy: 19.23%
Thresh=0.140, n=2, Accuracy: 22.15%
Thresh=0.142, n=1, Accuracy: 11.77%

ML之回归预测：利用十(xgboost,10-1)种机器学习算法对无人驾驶汽车系统参数(2017年的data,18+2)进行回归预测值VS真实值——bug调试记录相关推荐

ML之回归预测：利用八(9-1)种机器学习算法对无人驾驶汽车参数(2017年的data,18+2)进行回归预测值VS真实值
ML之回归预测:利用八(9-1)种机器学习算法对无人驾驶汽车参数(2017年的data,18+2)进行回归预测值VS真实值目录模型评估输出结果模型评估相关文章:ML之回归预测:利用八(9-1 ...
ML之回归预测：利用九大类机器学习算法对无人驾驶汽车系统参数(2018年的data,18+2)进行回归预测值VS真实值
ML之回归预测:利用九大类机器学习算法对无人驾驶汽车系统参数(2018年的data,18+2)进行回归预测值VS真实值相关文章 ML之回归预测:利用九大类机器学习算法对无人驾驶汽车系统参数(2018 ...
java ML回归预测_ML之回归预测：利用九大类机器学习算法对无人驾驶汽车系统参数(2018年的data,18+2)进行回归预测值VS真实值...
ML之回归预测:利用九大类机器学习算法对无人驾驶汽车系统参数(2018年的data,18+2)进行回归预测值VS真实值目录输出结果数据的初步查验:输出回归目标值的差异 The max targe ...
ML之回归预测：利用两种机器学习算法(LiR，XGBoost(调优+重要性可视化+特征选择模型))对无人驾驶汽车系统参数(2017年的data,18+2)进行回归预测值VS真实值
ML之回归预测:利用两种机器学习算法(LiR,XGBoost(调优+重要性可视化+特征选择模型))对无人驾驶汽车系统参数(2017年的data,18+2)进行回归预测值VS真实值目录输出结果 1. ...
ML之回归预测：利用九大类机器学习算法对无人驾驶系统参数(2018年的data,18+2)进行回归预测+评估九种模型性能
ML之回归预测:利用九大类机器学习算法对无人驾驶系统参数(2018年的data,18+2)进行回归预测+评估九种模型性能相关文章 ML之回归预测:利用九大类机器学习算法对自动驾驶系统参数(2018年 ...
ML之回归预测：利用13种机器学习算法对Boston(波士顿房价)数据集【13+1,506】进行回归预测(房价预测)+预测新数据得分
ML之回归预测:利用13种机器学习算法对Boston(波士顿房价)数据集[13+1,506]进行回归预测(房价预测)+预测新数据得分导读本文章基于前边的一篇文章,对13种机器学习的回归模型性能比较 ...
ML之回归预测：利用13种机器学习算法对Boston(波士顿房价)数据集【13+1,506】进行回归预测(房价预测)来比较各模型性能
ML之回归预测:利用13种机器学习算法对Boston(波士顿房价)数据集[13+1,506]进行回归预测(房价预测)来比较各模型性能导读通过利用13种机器学习算法,分别是LiR.kNN.SVR.D ...
ML之分类预测：基于sklearn库的七八种机器学习算法利用糖尿病(diabetes)数据集(8→1)实现二分类预测
ML之分类预测:基于sklearn库的七八种机器学习算法利用糖尿病(diabetes)数据集(8→1)实现二分类预测目录输出结果数据集展示输出结果 1.k-NN 2.LoR 4.DT 5.RF ...
10 种机器学习算法的要点（附 Python 和 R 代码）（转载）
10 种机器学习算法的要点(附 Python 和 R 代码)(转载) from:https://zhuanlan.zhihu.com/p/25273698 前言谷歌董事长施密特曾说过:虽然谷歌的无人 ...

ML之回归预测：利用十(xgboost,10-1)种机器学习算法对无人驾驶汽车系统参数(2017年的data,18+2)进行回归预测值VS真实值——bug调试记录

输出结果

1、增加XGBR算法

ML之回归预测：利用十(xgboost,10-1)种机器学习算法对无人驾驶汽车系统参数(2017年的data,18+2)进行回归预测值VS真实值——bug调试记录相关推荐

最新文章

热门文章