网站备案服务,营销网站怎样做,网站建设的公司怎么做,湘西 网站 建设 公司【Python】数据挖掘与机器学习(一) 大家好 我是寸铁#x1f44a; 总结了一篇【Python】数据挖掘与机器学习(一)sparkles: 喜欢的小伙伴可以点点关注 #x1f49d; 【实验1】预测鲍鱼年龄
问题描述
请从一份数据中预测鲍鱼的年龄#xff0c;数据集在abalone.cvs中#xff…【Python】数据挖掘与机器学习(一) 大家好 我是寸铁 总结了一篇【Python】数据挖掘与机器学习(一)sparkles: 喜欢的小伙伴可以点点关注 【实验1】预测鲍鱼年龄
问题描述
请从一份数据中预测鲍鱼的年龄数据集在abalone.cvs中数据集一共有4177 个样本每个样本有9个特征。其中rings为鲍鱼环数鲍鱼每一年长一环类似树轮是预测 变量sex属性已经经过处理M1表示雄性、F-1表示雌性、I0表示幼体。 有9列数据分别是: 要求
(1)给出回归模型给出线性回归模型的回归系数以及 (2)需要分训练数据与测试数据采用训练数据学习给出R2采用测试数据计算MSE. 代码
import sklearn
import tensorflow as tf
import numpy as np
import pandas
import sklearn.model_selection as ms
import matplotlib.pyplot as pltdef main():df pandas.read_csv(abalone.csv)df df.valuesy df[:, [-1]].astype(float32) # 提取第9 列x df[:, 1:8].astype(float32) # 提取1-8 列sex df[:, 0].astype(float32) # 取出第0 列后续要转换成2 个哑元male sex 1female sex -1oneMa np.zeros((len(sex), 1), dtypefloat32) # 雄性oneFe np.zeros((len(sex), 1), dtypefloat32) # 雌性oneMa[male] 1oneFe[female] 1ones np.ones((len(x), 1), dtypefloat32) # 全是 1 的向量x np.hstack((ones, oneMa, oneFe, x)) # 凑成一个 X 大矩阵print(x.shape)rows, cols x.shapeweight tf.Variable(tf.random.normal([cols, 1]), nameweight)# 生成一个 包含 bias 的 weight对应 x 的列数def loss_fn(X, y):y_ tf.matmul(X, weight)assert (y.shape y_.shape) # 确认维数一致这一步很容易出错return tf.reduce_mean(tf.square(y_ - y)) / 2x_train, x_test, y_train, y_test ms.train_test_split(x, y, test_size0.3, random_state32)print(x_train.shape)print(x_test.shape)print(y_train.shape)print(y_test.shape)print(weight)yy_ tf.matmul(x_train, weight)err sklearn.metrics.mean_squared_error(y_train, yy_)print(f训练集 MSE {err})y_ tf.matmul(x_test, weight)err sklearn.metrics.mean_squared_error(y_test, y_)print(f测试集 MSE {err}) # 测试集的 MSER2 sklearn.metrics.r2_score(y_train, yy_)print(fR2 {R2})plt.show()【实验2】成年男性的听力实验
数据集hearing_test.csv 是对 5000 名参与者进行了一项实验以研究年龄和身体健康对听力损失的影响尤其是听高音的能力。此数据显示了研究结果对参与者进行了身体能力的评估和评分然后必须进行音频测试通过/不通过以评估他们听到高频的能力。 特征1.年龄age2. 健康得分physical_score 标签1通过/0不通过 要求
(1)采用以下方法读取数据并给出可视化的显示效果
import seaborn as sns
import pandas as pd
(绘图包, pip install seaborn)
import matplotlib.pyplot as plt
df pd.read_csv(hearing_test.csv)
sns.scatterplot(xage,yphysical_score,datadf,huetest_result)
sns.pairplot(df,huetest_result)
plt.show()
由于show默认是阻塞看完图后要把它放在代码最后面
(2)采用以下方法得到数据
df df.values
x df[:, [0, 1]]
头两列对应age与physical_score - 3 -
y df[:, 2] 第三列对应是否通过 (3)把数据拆分为训练集与测试集最后采用测试数据来验证模型
from sklearn.model_selection import train_test_split
x_train, x_test, y_train, y_test train_test_split(x, y, test_size0.4, random_state2022) (4)给出Logistic回归分类方法给出二分类模型的权重给出测试数据的散点图 (5)模型性能评估给出训练集与测试集的准确率 Accuracy、精确度 Precision 和召 回率Recall、F1score。 (6)选做给出两类数据的分割直线。 代码
import seaborn as sns
import pandas as pd
import matplotlib.pyplot as plt
from sklearn.linear_model import LogisticRegression
from sklearn.model_selection import train_test_split
from tensorflow.python.ops.confusion_matrix import confusion_matrix
from sklearn.metrics import accuracy_score
from sklearn.metrics import precision_score
from sklearn.metrics import recall_score
from sklearn.metrics import f1_scoredf pd.read_csv(hearing_test.csv)
testA df[df[test_result] 0].values
testB df[df[test_result] 1].values
sns.scatterplot(xage, yphysical_score, datadf, huetest_result)
sns.pairplot(df, huetest_result)
df df.values
x df[:, [0, 1]] # 头两列对应 age 与 physical_score
y df[:, 2] # 第三列对应是否通过
x_train, x_test, y_train, y_test train_test_split(x, y,test_size0.4, random_state2022)
model LogisticRegression(fit_interceptTrue).fit(x_train, y_train)
weight model.coef_
bias model.intercept_
print(权重, weight, bias)
print(训练集准确率:, model.score(x_train, y_train))
print(测试集准确率:, model.score(x_test, y_test))
y_pred model.predict(x_test)
print(混淆矩阵\n, confusion_matrix(y_test, y_pred))print(accuracy:, accuracy_score(y_test, y_pred))
print(precision:, precision_score(y_test, y_pred))
print(recall:, recall_score(y_test, y_pred))
print(f1 score:, f1_score(y_test, y_pred))
x1_boundary, x2_boundary [], []plt.figure()
plt.scatter(x1_boundary, x2_boundary, cb, s10)
plt.scatter(testA[:, 0], testA[:, 1], cr, s1)
plt.scatter(testB[:, 0], testB[:, 1], cg, s1)
plt.show() 看到这里的小伙伴恭喜你又掌握了一个技能 希望大家能取得胜利坚持就是胜利 我是寸铁我们下期再见 往期好文
保姆级教程
【保姆级教程】Windows11下go-zero的etcd安装与初步使用
【保姆级教程】Windows11安装go-zero代码生成工具goctl、protoc、go-zero
【Go-Zero】手把手带你在goland中创建api文件并设置高亮 报错解决
【Go-Zero】Error: user.api 27:9 syntax error: expected ‘:‘ | ‘IDENT‘ | ‘INT‘, got ‘(‘ 报错解决方案及api路由注意事项
【Go-Zero】Error: only one service expected goctl一键转换生成rpc服务错误解决方案
【Go-Zero】【error】 failed to initialize database, got error Error 1045 (28000):报错解决方案
【Go-Zero】Error 1045 (28000): Access denied for user ‘root‘‘localhost‘ (using password: YES)报错解决方案
【Go-Zero】type mismatch for field “Auth.AccessSecret“, expect “string“, actual “number“报错解决方案
【Go-Zero】Error: user.api 30:2 syntax error: expected ‘)‘ | ‘KEY‘, got ‘IDENT‘报错解决方案
【Go-Zero】Windows启动rpc服务报错panic:context deadline exceeded解决方案 Go面试向
【Go面试向】defer与time.sleep初探
【Go面试向】defer与return的执行顺序初探
【Go面试向】Go程序的执行顺序
【Go面试向】rune和byte类型的认识与使用
【Go面试向】实现map稳定的有序遍历的方式
