标签：实现 .com target 网格 max split arch The core
预测波士顿的房价，上次已经通过房间数目预测了房价，这次用多元线性回归预测。
根据之前推导的多元线性回归的参数
接下来是多元线性回归的代码实现
def LinearRegression_(x,y): np.array(x) np.array(y) a = (np.linalg.inv(x.T.dot(x))).dot(x.T).dot(y)
上次大致了解了得个feature的name。下面是‘ZN’和‘RM’的散点图(由于我比较懒所以只实现这两个)
我们可以看出每个特征的数据范围相差较大，为了加快梯度下降求最优解的速度，将它们进行归一化处理
from sklearn import preprocessing min_max_scaler = preprocessing.MinMaxScaler() #分别对训练和测试数据的特征以及目标值进行标准化处理 boston[‘data‘]=min_max_scaler.fit_transform(boston[‘data‘]) boston[‘target‘]=min_max_scaler.fit_transform(boston[‘target‘].reshape(-1,1))
在对y进行标准化的时候会报错，因此要对boston[‘target‘]reshape()。下面就是进行数据划分和预测
x = pd.DataFrame(boston[‘data‘],columns=boston[‘feature_names‘]) y = pd.DataFrame(boston[‘target‘],columns=[‘target‘]) x_train,x_test,y_train,y_test = train_test_split(x,y,test_size=0.33, random_state=42)
这里我们用网格搜索法进行调参。我们用GridSearchCV，它存在的意义就是自动调参，只要把参数输进去，就能给出最优化的结果和参数。但是这个方法适合于小数据集，一旦数据的量级上去了，很难得出结果。
param = {‘fit_intercept‘:[True,False],‘normalize‘:[True,False],‘copy_X‘:[True,False]}
grid = GridSearchCV(estimator=lr, param_grid=param, cv=5)
grid.fit(x_train,y_train)
print(grid.score(x_test,y_test))
最后得分
0.7258515818230062
标签：实现 .com target 网格 max split arch The core
原文地址：https://www.cnblogs.com/mambakb/p/10479144.html
