Pyython 回憶錄
- 2021/07/23
-
- 嶺回歸
- 模型的儲存與讀取
2021/07/23
嶺回歸
就是帶有正則化的線性回歸-Ridge
sklearn.liner_model.Ridge
正則化力度越大,高次幂的影響越小
嶺回歸得到的回歸系數更符合實際,更可靠。另外,能讓估計參數的波動範圍變小,變得更穩定、在存在病态資料偏多的研究中有較大的實用價值。
模型的儲存與讀取
在sciklearn中也有模型儲存和讀取的API
sklearn.externals import joblib
from sklearn.datasets import load_boston
from sklearn.linear_model import LinearRegression,SGDRegressor
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler
from sklearn.metrics import mean_squared_error
from sklearn.externals import joblib
def myliner():
"""線性回歸直接預測房子"""
#擷取資料
lb = load_boston()
#分割資料 訓練集和測試集
x_train, x_test, y_train, y_test = train_test_split(lb.data, lb.target, test_size=0.25)
#進行标準化
#特征值和目标值都需要進行标準化,執行個體話兩個标準化方法
std_x = StandardScaler()
x_train = std_x.fit_transform(x_train)
x_test = std_x.transform(x_test)
std_y = StandardScaler()
y_train = std_y.fit_transform(y_train.reshape(-1,1)) #這裡要轉化為二維數組 (資料本身是一維)
y_test = std_y.transform(y_test.reshape(-1,1))
# 調取線性回歸模型
lr = LinearRegression()
lr.fit(x_train, y_train)
print("正規方程取得的權重系數:", lr.coef_)#列印一下取得了哪些W值
#儲存好模型
joblib.dump(lr, "./temp/test.pkl")
#運作模型
model = joblib.load("./temp/test.pkl")
# 預測房價結果
y_lr_predict = std_y.inverse_transform(model.predict(x_test))
print("正規方程預測的房價",y_lr_predict)
調取回歸模型後就可以儲存模型,儲存的pkl檔案是一個二進制檔案。以後就可以通過
joblib.load()
直接調取pkl檔案就等于是調取模型。