CFSDN坚持开源创造价值，我们致力于搭建一个资源共享平台，让每一个IT人在这里找到属于你的精彩世界.

这篇CFSDN的博客文章Python使用sklearn实现的各种回归算法示例由作者收集整理，如果你对这篇文章有兴趣，记得点赞哟.

本文实例讲述了Python使用sklearn实现的各种回归算法。分享给大家供大家参考，具体如下:

使用sklearn做各种回归 。

基本回归：线性、决策树、SVM、KNN 。

集成方法：随机森林、Adaboost、GradientBoosting、Bagging、ExtraTrees 。

1. 数据准备 。

为了实验用，我自己写了一个二元函数，y=0.5*np.sin(x1)+ 0.5*np.cos(x2)+0.1*x1+3。其中x1的取值范围是0~50，x2的取值范围是-10~10，x1和x2的训练集一共有500个，测试集有100个。其中，在训练集的上加了一个-0.5~0.5的噪声。生成函数的代码如下:

1. def f(x1, x2):
2. y = 0.5 * np.sin(x1) + 0.5 * np.cos(x2) + 0.1 * x1 + 3
3. return y
4. def load_data():
5. x1_train = np.linspace(0,50,500)
6. x2_train = np.linspace(-10,10,500)
7. data_train = np.array([[x1,x2,f(x1,x2) + (np.random.random(1)-0.5)] for x1,x2 in zip(x1_train, x2_train)])
8. x1_test = np.linspace(0,50,100)+ 0.5 * np.random.random(100)
9. x2_test = np.linspace(-10,10,100) + 0.02 * np.random.random(100)
10. data_test = np.array([[x1,x2,f(x1,x2)] for x1,x2 in zip(x1_test, x2_test)])
11. return data_train, data_test

其中训练集（y上加有-0.5~0.5的随机噪声）和测试集（没有噪声）的图像如下:

2. scikit-learn的简单使用 。

scikit-learn非常简单，只需实例化一个算法对象，然后调用fit()函数就可以了，fit之后，就可以使用predict()函数来预测了，然后可以使用score()函数来评估预测值和真实值的差异，函数返回一个得分.

完整程式化代码为:

1. import numpy as np
2. import matplotlib.pyplot as plt
3. ###########1.数据生成部分##########
4. def f(x1, x2):
5. y = 0.5 * np.sin(x1) + 0.5 * np.cos(x2) + 3 + 0.1 * x1
6. return y
7. def load_data():
8. x1_train = np.linspace(0,50,500)
9. x2_train = np.linspace(-10,10,500)
10. data_train = np.array([[x1,x2,f(x1,x2) + (np.random.random(1)-0.5)] for x1,x2 in zip(x1_train, x2_train)])
11. x1_test = np.linspace(0,50,100)+ 0.5 * np.random.random(100)
12. x2_test = np.linspace(-10,10,100) + 0.02 * np.random.random(100)
13. data_test = np.array([[x1,x2,f(x1,x2)] for x1,x2 in zip(x1_test, x2_test)])
14. return data_train, data_test
15. train, test = load_data()
16. x_train, y_train = train[:,:2], train[:,2] #数据前两列是x1,x2 第三列是y,这里的y有随机噪声
17. x_test ,y_test = test[:,:2], test[:,2] # 同上,不过这里的y没有噪声
18. ###########2.回归部分##########
19. def try_different_method(model):
20. model.fit(x_train,y_train)
21. score = model.score(x_test, y_test)
22. result = model.predict(x_test)
23. plt.figure()
24. plt.plot(np.arange(len(result)), y_test,'go-',label='true value')
25. plt.plot(np.arange(len(result)),result,'ro-',label='predict value')
26. plt.title('score: %f'%score)
27. plt.legend()
28. plt.show()
29. ###########3.具体方法选择##########
30. ####3.1决策树回归####
31. from sklearn import tree
32. model_DecisionTreeRegressor = tree.DecisionTreeRegressor()
33. ####3.2线性回归####
34. from sklearn import linear_model
35. model_LinearRegression = linear_model.LinearRegression()
36. ####3.3SVM回归####
37. from sklearn import svm
38. model_SVR = svm.SVR()
39. ####3.4KNN回归####
40. from sklearn import neighbors
41. model_KNeighborsRegressor = neighbors.KNeighborsRegressor()
42. ####3.5随机森林回归####
43. from sklearn import ensemble
44. model_RandomForestRegressor = ensemble.RandomForestRegressor(n_estimators=20)#这里使用20个决策树
45. ####3.6Adaboost回归####
46. from sklearn import ensemble
47. model_AdaBoostRegressor = ensemble.AdaBoostRegressor(n_estimators=50)#这里使用50个决策树
48. ####3.7GBRT回归####
49. from sklearn import ensemble
50. model_GradientBoostingRegressor = ensemble.GradientBoostingRegressor(n_estimators=100)#这里使用100个决策树
51. ####3.8Bagging回归####
52. from sklearn.ensemble import BaggingRegressor
53. model_BaggingRegressor = BaggingRegressor()
54. ####3.9ExtraTree极端随机树回归####
55. from sklearn.tree import ExtraTreeRegressor
56. model_ExtraTreeRegressor = ExtraTreeRegressor()
57. ###########4.具体方法调用部分##########
58. try_different_method(model_DecisionTreeRegressor)

3.结果展示 。

决策树回归结果

线性回归结果:

SVM回归结果:

KNN回归结果:

随机森林回归结果:

Adaboost回归结果:

GBRT回归结果:

Bagging回归结果:

极端随机树回归结果:

希望本文所述对大家Python程序设计有所帮助.

原文链接：https://blog.csdn.net/Yeoman92/article/details/75051848 。

最后此篇关于Python使用sklearn实现的各种回归算法示例的文章就讲到这里了,如果你想了解更多关于Python使用sklearn实现的各种回归算法示例的内容请搜索CFSDN的文章或继续浏览相关文章，希望大家以后支持我的博客！ 。