个人中心
文章发布
退出
作者热门文章
- ubuntu12.04环境下使用kvm ioctl接口实现最简单的虚拟机
- Ubuntu 通过无线网络安装Ubuntu Server启动系统后连接无线网络的方法
- 在Ubuntu上搭建网桥的方法
- ubuntu 虚拟机上网方式及相关配置详解
25
4
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的博客文章用scikit-learn和pandas学习线性回归的方法由作者收集整理，如果你对这篇文章有兴趣，记得点赞哟.
对于想深入了解线性回归的童鞋，这里给出一个完整的例子，详细学完这个例子，对用scikit-learn来运行线性回归，评估模型不会有什么问题了.
1. 获取数据，定义问题 。
没有数据，当然没法研究机器学习啦。:) 这里我们用uci大学公开的机器学习数据来跑线性回归.
数据的介绍在这：http://archive.ics.uci.edu/ml/datasets/Combined+Cycle+Power+Plant 。
数据的下载地址在这：http://archive.ics.uci.edu/ml/machine-learning-databases/00294/ 。
里面是一个循环发电场的数据，共有9568个样本数据，每个数据有5列，分别是:at（温度）, v（压力）, ap（湿度）, rh（压强）, pe（输出电力)。我们不用纠结于每项具体的意思.
我们的问题是得到一个线性的关系，对应pe是样本输出，而at/v/ap/rh这4个是样本特征， 机器学习的目的就是得到一个线性回归模型，即
pe=θ 0 +θ 1 ∗at+θ 2 ∗v+θ 3 ∗ap+θ 4 ∗rh 而需要学习的，就是\(\theta_0, \theta_1, \theta_2, \theta_3, \theta_4\)这5个参数.
2. 整理数据 。
下载后的数据可以发现是一个压缩文件，解压后可以看到里面有一个xlsx文件，我们先用excel把它打开，接着“另存为“”csv格式，保存下来，后面我们就用这个csv来运行线性回归.
打开这个csv可以发现数据已经整理好，没有非法数据，因此不需要做预处理。但是这些数据并没有归一化，也就是转化为均值0，方差1的格式。也不用我们搞，后面scikit-learn在线性回归时会先帮我们把归一化搞定.
好了，有了这个csv格式的数据，我们就可以大干一场了.
3.用pandas来读取数据 。
我们先打开ipython notebook,新建一个notebook。当然也可以直接在python的交互式命令行里面输入，不过还是推荐用notebook。下面的例子和输出我都是在notebook里面跑的.
先把要导入的库声明了:
|
1
2
3
4
5
|
import
matplotlib.pyplot as plt
%
matplotlib inline
import
numpy as np
import
pandas as pd
from
sklearn
import
datasets, linear_model
|
接着我们就可以用pandas读取数据了:
|
1
2
|
# read_csv里面的参数是csv在你电脑上的路径，此处csv文件放在notebook运行目录下面的ccpp目录里
data
=
pd.read_csv(
'.\ccpp\ccpp.csv'
)
|
测试下读取数据是否成功:
|
1
2
|
#读取前五行数据，如果是最后五行，用data.tail()
data.head()
|
运行结果应该如下，看到下面的数据，说明pandas读取数据成功:
。
| at | v | ap | rh | pe | |
|---|---|---|---|---|---|
| 0 | 8.34 | 40.77 | 1010.84 | 90.01 | 480.48 |
| 1 | 23.64 | 58.49 | 1011.40 | 74.20 | 445.75 |
| 2 | 29.74 | 56.90 | 1007.15 | 41.91 | 438.76 |
| 3 | 19.07 | 49.69 | 1007.22 | 76.79 | 453.09 |
| 4 | 11.80 | 40.66 | 1017.13 | 97.20 | 464.43 |
。
4.准备运行算法的数据 。
我们看看数据的维度:
|
1
|
data.shape
|
结果是(9568, 5)。说明我们有9568个样本，每个样本有5列.
现在我们开始准备样本特征x，我们用at， v，ap和rh这4个列作为样本特征.
|
1
2
|
x
=
data[[
'at'
,
'v'
,
'ap'
,
'rh'
]]
x.head()
|
可以看到x的前五条输出如下:
。
| at | v | ap | rh | |
|---|---|---|---|---|
| 0 | 8.34 | 40.77 | 1010.84 | 90.01 |
| 1 | 23.64 | 58.49 | 1011.40 | 74.20 |
| 2 | 29.74 | 56.90 | 1007.15 | 41.91 |
| 3 | 19.07 | 49.69 | 1007.22 | 76.79 |
| 4 | 11.80 | 40.66 | 1017.13 | 97.20 |
。
接着我们准备样本输出y， 我们用pe作为样本输出.
|
1
2
|
y
=
data[[
'pe'
]]
y.head()
|
可以看到y的前五条输出如下:
。
| pe | |
|---|---|
| 0 | 480.48 |
| 1 | 445.75 |
| 2 | 438.76 |
| 3 | 453.09 |
| 4 | 464.43 |
。
5. 划分训练集和测试集 。
我们把x和y的样本组合划分成两部分，一部分是训练集，一部分是测试集，代码如下:
|
1
2
|
from
sklearn.cross_validation
import
train_test_split
x_train, x_test, y_train, y_test
=
train_test_split(x, y, random_state
=
1
)
|
查看下训练集和测试集的维度:
|
1
2
3
4
|
print
x_train.shape
print
y_train.shape
print
x_test.shape
print
y_test.shape
|
结果如下:
(7176, 4) (7176, 1) (2392, 4) (2392, 1) 。
可以看到75%的样本数据被作为训练集，25%的样本被作为测试集.
6. 运行scikit-learn的线性模型 。
终于到了临门一脚了，我们可以用scikit-learn的线性模型来拟合我们的问题了。scikit-learn的线性回归算法使用的是最小二乘法来实现的。代码如下:
|
1
2
3
|
from
sklearn.linear_model
import
linearregression
linreg
=
linearregression()
linreg.fit(x_train, y_train)
|
拟合完毕后，我们看看我们的需要的模型系数结果:
|
1
2
|
print
linreg.intercept_
print
linreg.coef_
|
输出如下:
[ 447.06297099] [[-1.97376045 -0.23229086 0.0693515 -0.15806957]] 。
这样我们就得到了在步骤1里面需要求得的5个值。也就是说pe和其他4个变量的关系如下:
7. 模型评价 。
我们需要评估我们的模型的好坏程度，对于线性回归来说，我们一般用均方差（mean squared error, mse）或者均方根差(root mean squared error, rmse)在测试集上的表现来评价模型的好坏.
我们看看我们的模型的mse和rmse，代码如下:
|
1
2
3
4
5
6
7
|
#模型拟合测试集
y_pred
=
linreg.predict(x_test)
from
sklearn
import
metrics
# 用scikit-learn计算mse
print
"mse:"
,metrics.mean_squared_error(y_test, y_pred)
# 用scikit-learn计算rmse
print
"rmse:"
,np.sqrt(metrics.mean_squared_error(y_test, y_pred))
|
输出如下:
mse: 20.0804012021 rmse: 4.48111606657 。
得到了mse或者rmse，如果我们用其他方法得到了不同的系数，需要选择模型时，就用mse小的时候对应的参数.
比如这次我们用at， v，ap这3个列作为样本特征。不要rh， 输出仍然是pe。代码如下:
|
1
2
3
4
5
6
7
8
9
10
11
12
13
|
x
=
data[[
'at'
,
'v'
,
'ap'
]]
y
=
data[[
'pe'
]]
x_train, x_test, y_train, y_test
=
train_test_split(x, y, random_state
=
1
)
from
sklearn.linear_model
import
linearregression
linreg
=
linearregression()
linreg.fit(x_train, y_train)
#模型拟合测试集
y_pred
=
linreg.predict(x_test)
from
sklearn
import
metrics
# 用scikit-learn计算mse
print
"mse:"
,metrics.mean_squared_error(y_test, y_pred)
# 用scikit-learn计算rmse
print
"rmse:"
,np.sqrt(metrics.mean_squared_error(y_test, y_pred))
|
输出如下:
mse: 23.2089074701 rmse: 4.81756239919 。
可以看出，去掉rh后，模型拟合的没有加上rh的好，mse变大了.
8. 交叉验证 。
我们可以通过交叉验证来持续优化模型，代码如下，我们采用10折交叉验证，即cross_val_predict中的cv参数为10:
|
1
2
3
4
5
6
7
8
|
x
=
data[[
'at'
,
'v'
,
'ap'
,
'rh'
]]
y
=
data[[
'pe'
]]
from
sklearn.model_selection
import
cross_val_predict
predicted
=
cross_val_predict(linreg, x, y, cv
=
10
)
# 用scikit-learn计算mse
print
"mse:"
,metrics.mean_squared_error(y, predicted)
# 用scikit-learn计算rmse
print
"rmse:"
,np.sqrt(metrics.mean_squared_error(y, predicted))
|
输出如下:
mse: 20.7955974619 rmse: 4.56021901469 。
可以看出，采用交叉验证模型的mse比第6节的大，主要原因是我们这里是对所有折的样本做测试集对应的预测值的mse，而第6节仅仅对25%的测试集做了mse。两者的先决条件并不同.
9. 画图观察结果 。
这里画图真实值和预测值的变化关系，离中间的直线y=x直接越近的点代表预测损失越低。代码如下:
|
1
2
3
4
5
6
|
fig, ax
=
plt.subplots()
ax.scatter(y, predicted)
ax.plot([y.
min
(), y.
max
()], [y.
min
(), y.
max
()],
'k--'
, lw
=
4
)
ax.set_xlabel(
'measured'
)
ax.set_ylabel(
'predicted'
)
plt.show()
|
输出的图像如下
完整的jupyter-notebook代码参看我的github.
以上就是用scikit-learn和pandas学习线性回归的过程，希望可以对初学者有所帮助。也希望大家多多支持我.
原文链接：https://www.cnblogs.com/pinard/p/6016029.html 。
最后此篇关于用scikit-learn和pandas学习线性回归的方法的文章就讲到这里了,如果你想了解更多关于用scikit-learn和pandas学习线性回归的方法的内容请搜索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！ 。
25
4
0
来自文档: sklearn.preprocessing.MinMaxScaler.min_ : ndarray, shape (n_features,) Per feature adjustment
这是我的数据:(我重置了索引。日期应该是索引) Date A B C D 0 2013-10-07 -0.002
我正在构建一个分类器，通过贷款俱乐部数据，选择最好的 X 笔贷款。我训练了一个随机森林，并创建了通常的 ROC 曲线、混淆矩阵等。 混淆矩阵将分类器的预测(森林中树木的多数预测)作为参数。但是，我希望
是否有类似于 的 scikit-learn 方法/类元成本 在 Weka 或其他实用程序中实现的算法以执行常量敏感分析？ 最佳答案 不，没有。部分分类器提供 class_weight和 sample_
我发现使用相同数据的两种交叉验证技术之间的分类性能存在差异。我想知道是否有人可以阐明这一点。 方法一:cross_validation.train_test_split 方法 2:分层折叠。 具有相同
我正在查看 scikit-learn 文档中的这个示例:http://scikit-learn.org/0.18/auto_examples/model_selection/plot_nested_c
我想训练一个具有很多标称属性的数据集。我从一些帖子中注意到，要转换标称属性必须将它们转换为重复的二进制特征。另外据我所知，这样做在概念上会使数据集稀疏。我也知道 scikit-learn 使用稀疏矩阵
我正在尝试在 scikit-learn (sklearn.feature_selection.SelectKBest) 中通过卡方方法进行特征选择。当我尝试将其应用于多标签问题时，我收到此警告: 用户
有几种算法可以构建决策树，例如 CART(分类和回归树)、ID3(迭代二分法 3)等 scikit-learn 默认使用哪种决策树算法？ 当我查看一些决策树 python 脚本时，它神奇地生成了带有
我正在尝试在 scikit-learn (sklearn.feature_selection.SelectKBest) 中通过卡方方法进行特征选择。当我尝试将其应用于多标签问题时，我收到此警告: 用户
有几种算法可以构建决策树，例如 CART(分类和回归树)、ID3(迭代二分法 3)等 scikit-learn 默认使用哪种决策树算法？ 当我查看一些决策树 python 脚本时，它神奇地生成了带有
有没有办法让 scikit-learn 中的 fit 方法有一个进度条？ 是否可以包含自定义的类似 Pyprind 的内容？ ? 最佳答案 如果您使用 verbose=1 初始化模型调用前 fit你应
我正在尝试使用 grisSearchCV 在 scikit-learn 中拟合一些模型，并且我想使用“一个标准错误”规则来选择最佳模型，即从分数在 1 以内的模型子集中选择最简约的模型最好成绩的标准误
我有一个预定义的决策树，它是根据基于知识的拆分构建的，我想用它来进行预测。我可以尝试从头开始实现决策树分类器，但那样我就无法在 Scikit 函数中使用 predict 等内置函数。有没有办法将我的树
我正在使用随机森林解决分类问题。为此，我决定使用 Python 库 scikit-learn。但我对随机森林算法和这个工具都很陌生。我的数据包含许多因子变量。我用谷歌搜索，发现像我们在线性回归中所做的
我使用 Keras 回归器对数据进行回归拟合。我使用 Scikit-learn wrapper 和 Pipeline 来首先标准化数据，然后将其拟合到 Keras 回归器上。有点像这样: from s
在 scikit-learn ，有一个 的概念评分函数 .如果我们有一些预测标签和真实标签，我们可以通过调用 scoring(y_true, y_predict) 来获得分数。 .这种评分函数的一个例
我知道 train_test_split 方法将数据集拆分为随机训练和测试子集。并且使用 random_state=int 可以确保每次调用该方法时我们对该数据集都有相同的拆分。 我的问题略有不同。
我正在使用 scikit-learn 0.18.dev0。我知道之前有人问过完全相同的问题 here .我尝试了那里提供的答案，但出现以下错误 >>> def mydist(x, y): ...
我试图在 scikit-learn 中结合递归特征消除和网格搜索。正如您从下面的代码(有效)中看到的那样，我能够从网格搜索中获得最佳估计量，然后将该估计量传递给 RFECV。但是，我宁愿先进行 RFE
我是一名优秀的程序员,十分优秀！