zoukankan      html  css  js  c++  java
  • 机器学习-数据表达与特征工程

    一、介绍

    二、编程实战

    1、使用MLP算法和KNN算法对这个数据集进行回归分析

    import numpy as np
    import matplotlib.pyplot as plt
    from sklearn.neural_network import MLPRegressor
    from sklearn.neighbors import KNeighborsRegressor

    rnd = np.random.RandomState(38)
    x = rnd.uniform(-5,5,size=50)
    y_no_noise = (np.cos(6*x)+x)
    X = x.reshape(-1,1)
    y = (y_no_noise + rnd.normal(size=len(x)))/2

    line = np.linspace(-5,5,1000,endpoint=False).reshape(-1,1)
    mlpr = MLPRegressor().fit(X,y)
    knr = KNeighborsRegressor().fit(X,y)
    plt.plot(line, mlpr.predict(line),label='MLP')
    plt.plot(line, knr.predict(line),label='KNN')
    plt.plot(X,y,'o',c='r')
    plt.legend(loc='best')
    plt.show()

    2、使用装箱处理MLP算法和KNN算法

    from sklearn.preprocessing import OneHotEncoder

    bins = np.linspace(-5,5,11)
    target_bin = np.digitize(X, bins=bins)
    print('装箱数据范围: {}'.format(bins))

    onehot = OneHotEncoder(sparse = False)
    onehot.fit(target_bin)
    X_in_bin = onehot.transform(target_bin)
    print(' 装箱后的数据形态: {}'.format(X_in_bin.shape))
    print('装箱后的前十个数据点: {}'.format(X_in_bin[:10]))

    #装箱处理
    new_line = onehot.transform(np.digitize(line,bins=bins))
    new_mlpr = MLPRegressor().fit(X_in_bin, y)
    new_knr = KNeighborsRegressor().fit(X_in_bin,y)
    plt.plot(line, new_mlpr.predict(new_line),label='NEW MLP')
    plt.plot(line, new_knr.predict(new_line),label='NEW KNN')
    plt.plot(X,y, 'o',c='r')
    plt.legend(loc='best')
    plt.show()

    3、

  • 相关阅读:
    第三章 AOP
    第二章 IoC
    第一章 Spring 概述
    框架整合
    后台管理工程搭建
    技术架构
    淘淘商城简介
    电商行业背景
    前言
    FutureTask的使用
  • 原文地址:https://www.cnblogs.com/zhaop8078/p/9886547.html
Copyright © 2011-2022 走看看