当前位置: 首页>>技术教程>>正文


sklearn例程:保序回归

技术教程 , , , 去评论

保序回归简介

本示例是对保序回归处理生成数据的说明。保序回归发现函数的非递减近似,同时使训练数据的均方误差最小。这种模型的好处是它不会为目标函数采用任何形式的假设,例如线性。为了比较,示例中还给出了线性回归。

代码实现[Python]


# -*- coding: utf-8 -*- 
print(__doc__)

# 码农: Nelle Varoquaux 
#         Alexandre Gramfort 
# 协议: BSD

import numpy as np
import matplotlib.pyplot as plt
from matplotlib.collections import LineCollection

from sklearn.linear_model import LinearRegression
from sklearn.isotonic import IsotonicRegression
from sklearn.utils import check_random_state

n = 100
x = np.arange(n)
rs = check_random_state(0)
y = rs.randint(-50, 50, size=(n,)) + 50. * np.log1p(np.arange(n))

# #############################################################################
# 拟合IsotonicRegression和LinearRegression models模型

ir = IsotonicRegression()

y_ = ir.fit_transform(x, y)

lr = LinearRegression()
lr.fit(x[:, np.newaxis], y)  # x needs to be 2d for LinearRegression

# #############################################################################
# 绘图展示结果

segments = [[[i, y[i]], [i, y_[i]]] for i in range(n)]
lc = LineCollection(segments, zorder=0)
lc.set_array(np.ones(len(y)))
lc.set_linewidths(np.full(n, 0.5))

fig = plt.figure()
plt.plot(x, y, 'r.', markersize=12)
plt.plot(x, y_, 'b.-', markersize=12)
plt.plot(x, lr.predict(x[:, np.newaxis]), 'b-')
plt.gca().add_collection(lc)
plt.legend(('Data', 'Isotonic Fit', 'Linear Fit'), loc='lower right')
plt.title('Isotonic regression')
plt.show()

代码执行

代码运行时间大约:0分0.056秒。
运行代码输出的图片内容如下:

Isotonic Regression

源码下载

参考资料

本文由《纯净天空》出品。文章地址: https://vimsky.com/article/4442.html,未经允许,请勿转载。