当前位置: 首页 > wzjs >正文

网络规划设计师2023年真题及答案网站优化排名服务

网络规划设计师2023年真题及答案,网站优化排名服务,windows 系统wordpress,中天建设集团山西分公司网站1、概要 本篇学习AI人工智能机器监督学习框架下的线性模型,以LinearRegression线性回归和LogisticRegression逻辑回归为示例,从代码层面测试和讲述监督学习中的线性模型。 2、监督学习之线性模型 - 简介 监督学习和线性模型是的两个重要概念。 监督学…

1、概要

  本篇学习AI人工智能机器监督学习框架下的线性模型,以LinearRegression线性回归和LogisticRegression逻辑回归为示例,从代码层面测试和讲述监督学习中的线性模型。

2、监督学习之线性模型 - 简介

监督学习和线性模型是的两个重要概念。

  • 监督学习是一种机器学习任务,其中模型在已标记的数据集上进行训练。
  • 线性模型是一类通过线性组合输入特征来进行预测的模型。

线性模型的基本形式可以表示为:
y = w 1 x 1 + w 2 x 2 + . . . + w n x n + b y=w_1x_1 + w_2x_2 + ... + w_nx_n + b y=w1x1+w2x2+...+wnxn+b

其中:y 是预测值、x是特征、w是特征的权重(系数、b是是偏置(截距)

本篇,以两个示例讲述监督学习框架下集成学习(ensemble learning)的使用方法:

  • 示例1:LinearRegression线性回归,用于预测连续的目标变量,目标是找到最佳的 w和b,使得预测值与实际值之间的均方误差(MSE)最小
  • 示例2:LogisticRegression逻辑回归, 用于二分类问题,通过 Sigmoid 函数将线性组合映射到 [0, 1] 区间,以计算每个类别的概率

3、线性模型

3.1、安装依赖

python安装机器学习库: pip install scikit-learn

3.2、示例1: LinearRegression线性回归
import numpy as np
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LinearRegression
from sklearn.metrics import mean_squared_error,  r2_score# 特征矩阵X,
X = np.array([[800], [1200], [1600], [2000], [2400]])
# 目标向量y
y = np.array([150000, 200000, 250000, 300000, 350000])# 划分测试集和训练集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=0)# 创建线性回归模型
model = LinearRegression()# 使用训练集-训练模型
model.fit(X_train, y_train)# 使用测试集-进行预测
y_pred = model.predict(X_test)
print("实际结果:%s, 预测结果: %s" % (y_test, y_pred))# 使用测试集-进行模型评估,使用均方误差(Mean Squared Error, MSE)来评估预测的准确性
mse = mean_squared_error(y_test, y_pred)
# rmse = np.sqrt(mse)  # 均方根误差
# r2 = r2_score(y_test, y_pred)  # 决定系数# 打印评估结果
print(f"均方误差为: {mse}")
# print("均方根误差 (RMSE):", rmse)
# print("决定系数 (R²):", r2)

运行上述代码的输出:

实际结果:[250000], 预测结果: [250000.]
均方误差为: 0.0
3.3、示例2:LogisticRegression逻辑回归
import pandas as pd
from sklearn.linear_model import LogisticRegression# 创建一个示例数据
data = {'feature1': [1, 2, 3, 4, 5, 6, 7, 8, 9, 10],'label': [0, 1, 0, 1, 0, 1, 0, 1, 0, 1]
}
df = pd.DataFrame(data)# 特征和标签
X = df[['feature1']]  # 特征
y = df['label']       # 标签# 划分测试集和训练集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)# 创建逻辑回归模型
model = LogisticRegression()
model.fit(X, y)# 评估模型性能
# 计算评估指标
conf_matrix = confusion_matrix(y_test, y_pred)
accuracy = accuracy_score(y_test, y_pred)
precision = precision_score(y_test, y_pred)
recall = recall_score(y_test, y_pred)
f1 = f1_score(y_test, y_pred)# 打印评估结果
print("混淆矩阵:")
print(conf_matrix)
print("\n准确率:", accuracy)
print("精确率:", precision)
print("召回率:", recall)
print("F1 分数:", f1)# 分类报告
print("\n分类报告:")
print(classification_report(y_test, y_pred))

运行上述代码的输出

混淆矩阵:
[[1 0][0 1]]准确率: 1.0
精确率: 1.0
召回率: 1.0
F1 分数: 1.0分类报告:precision    recall  f1-score   support0       1.00      1.00      1.00         11       1.00      1.00      1.00         1accuracy                           1.00         2macro avg       1.00      1.00      1.00         2
weighted avg       1.00      1.00      1.00         2

4、 总结

本篇以评估线性回归模型和逻辑回归为例,从代码层面测试和讲述监督学习中的线性模型。您可以根据不同的应用场景和需求,选择合适的模型,采用合适的评估指标来评估模型的效果。

http://www.dtcms.com/wzjs/12469.html

相关文章:

  • 管理网站怎么做的百度搜图匹配相似图片
  • wordpress怎么改头像信阳seo公司
  • 网站多杀流量需要换vps百度信息流是什么
  • 腾讯云主机做网站在线客服
  • 网站建设经验网时代教育培训机构官网
  • 西安网络建站公司网络营销广告策划
  • 杭州有哪些做网站的公司好企业网站有哪些类型
  • php python WordPressseo排名优化厂家
  • 北京SEO网站优化公司淘宝指数入口
  • 白云免费网站建设产品推广渠道有哪些
  • wordpress获取系统日期绍兴seo优化
  • 做电商要有网站吗搜索引擎排名竞价
  • wordpress静态路由百中搜优化软件靠谱吗
  • 怎么注册公司邮箱网站排名优化公司
  • 做外国网站用什么服务器打开百度网页版
  • net网站开发网络推广的方式有哪些
  • 邹带芽在成武建设局网站杭州小程序建设公司
  • 广州做网站开发国际实时新闻
  • wordpress 付费支持站长工具seo综合查询
  • 网站建设公司怎样拓展网站业务平台推广方式有哪些
  • 最好网页游戏网站成都百度推广电话
  • 上海网站科技职业培训机构有哪些
  • 花店网站建设方案建站工具有哪些
  • 找人合伙做网站平台直播营销的优势有哪些
  • 一家专门做代购的网站兰州seo网站建设
  • app对接广告联盟厦门seo优化
  • 外贸网站如何引流优质的seo网站排名优化软件
  • 王爷出塞超级优化大师下载
  • ASP网站建设招聘网络营销策划书1500字
  • dedecms模板 中医院网站全套模板广告词