怎么在Python中利用sklearn實(shí)現(xiàn)一個(gè)回歸算法

這篇文章將為大家詳細(xì)講解有關(guān)怎么在Python中利用sklearn實(shí)現(xiàn)一個(gè)回歸算法，文章內(nèi)容質(zhì)量較高，因此小編分享給大家做個(gè)參考，希望大家閱讀完這篇文章后對(duì)相關(guān)知識(shí)有一定的了解。

使用sklearn做各種回歸

基本回歸：線性、決策樹(shù)、SVM、KNN

集成方法：隨機(jī)森林、Adaboost、GradientBoosting、Bagging、ExtraTrees

1. 數(shù)據(jù)準(zhǔn)備

為了實(shí)驗(yàn)用，我自己寫了一個(gè)二元函數(shù)，y=0.5*np.sin(x1)+ 0.5*np.cos(x2)+0.1*x1+3。其中x1的取值范圍是0~50，x2的取值范圍是-10~10，x1和x2的訓(xùn)練集一共有500個(gè)，測(cè)試集有100個(gè)。其中，在訓(xùn)練集的上加了一個(gè)-0.5~0.5的噪聲。生成函數(shù)的代碼如下：

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

其中訓(xùn)練集（y上加有-0.5~0.5的隨機(jī)噪聲）和測(cè)試集（沒(méi)有噪聲）的圖像如下：

2. scikit-learn的簡(jiǎn)單使用

scikit-learn非常簡(jiǎn)單，只需實(shí)例化一個(gè)算法對(duì)象，然后調(diào)用fit()函數(shù)就可以了，fit之后，就可以使用predict()函數(shù)來(lái)預(yù)測(cè)了，然后可以使用score()函數(shù)來(lái)評(píng)估預(yù)測(cè)值和真實(shí)值的差異，函數(shù)返回一個(gè)得分。

完整程式化代碼為：

import numpy as np
import matplotlib.pyplot as plt
###########1.數(shù)據(jù)生成部分##########
def f(x1, x2):
  y = 0.5 * np.sin(x1) + 0.5 * np.cos(x2) + 3 + 0.1 * x1
  return y
def load_data():
  x1_train = np.linspace(0,50,500)
  x2_train = np.linspace(-10,10,500)
  data_train = np.array([[x1,x2,f(x1,x2) + (np.random.random(1)-0.5)] for x1,x2 in zip(x1_train, x2_train)])
  x1_test = np.linspace(0,50,100)+ 0.5 * np.random.random(100)
  x2_test = np.linspace(-10,10,100) + 0.02 * np.random.random(100)
  data_test = np.array([[x1,x2,f(x1,x2)] for x1,x2 in zip(x1_test, x2_test)])
  return data_train, data_test
train, test = load_data()
x_train, y_train = train[:,:2], train[:,2] #數(shù)據(jù)前兩列是x1,x2 第三列是y,這里的y有隨機(jī)噪聲
x_test ,y_test = test[:,:2], test[:,2] # 同上,不過(guò)這里的y沒(méi)有噪聲
###########2.回歸部分##########
def try_different_method(model):
  model.fit(x_train,y_train)
  score = model.score(x_test, y_test)
  result = model.predict(x_test)
  plt.figure()
  plt.plot(np.arange(len(result)), y_test,'go-',label='true value')
  plt.plot(np.arange(len(result)),result,'ro-',label='predict value')
  plt.title('score: %f'%score)
  plt.legend()
  plt.show()
###########3.具體方法選擇##########
####3.1決策樹(shù)回歸####
from sklearn import tree
model_DecisionTreeRegressor = tree.DecisionTreeRegressor()
####3.2線性回歸####
from sklearn import linear_model
model_LinearRegression = linear_model.LinearRegression()
####3.3SVM回歸####
from sklearn import svm
model_SVR = svm.SVR()
####3.4KNN回歸####
from sklearn import neighbors
model_KNeighborsRegressor = neighbors.KNeighborsRegressor()
####3.5隨機(jī)森林回歸####
from sklearn import ensemble
model_RandomForestRegressor = ensemble.RandomForestRegressor(n_estimators=20)#這里使用20個(gè)決策樹(shù)
####3.6Adaboost回歸####
from sklearn import ensemble
model_AdaBoostRegressor = ensemble.AdaBoostRegressor(n_estimators=50)#這里使用50個(gè)決策樹(shù)
####3.7GBRT回歸####
from sklearn import ensemble
model_GradientBoostingRegressor = ensemble.GradientBoostingRegressor(n_estimators=100)#這里使用100個(gè)決策樹(shù)
####3.8Bagging回歸####
from sklearn.ensemble import BaggingRegressor
model_BaggingRegressor = BaggingRegressor()
####3.9ExtraTree極端隨機(jī)樹(shù)回歸####
from sklearn.tree import ExtraTreeRegressor
model_ExtraTreeRegressor = ExtraTreeRegressor()
###########4.具體方法調(diào)用部分##########
try_different_method(model_DecisionTreeRegressor)

3.結(jié)果展示

決策樹(shù)回歸結(jié)果:

線性回歸結(jié)果：

SVM回歸結(jié)果：

KNN回歸結(jié)果：

隨機(jī)森林回歸結(jié)果：

Adaboost回歸結(jié)果：

GBRT回歸結(jié)果：

Bagging回歸結(jié)果：

極端隨機(jī)樹(shù)回歸結(jié)果：

關(guān)于怎么在Python中利用sklearn實(shí)現(xiàn)一個(gè)回歸算法就分享到這里了，希望以上內(nèi)容可以對(duì)大家有一定的幫助，可以學(xué)到更多知識(shí)。如果覺(jué)得文章不錯(cuò)，可以把它分享出去讓更多的人看到。