データマイニング学習| task4モデリングパラメータの調整

1. 線形回帰モデル：線形回帰のために必要な機能、ロングテールの配布プロセスを、その線形回帰モデルを高く評価。

• 線形回帰モデル
• ログ（X + 1）、通常のようにロングテール分布の近くの変換によって
  
  

2. 性能検証モデル：目的関数の評価、相互検証、検証方法を残して、時系列に対する検証問題、学習率プロットされた曲線、曲線が検証をプロットしました。

#绘制学习率曲线与验证曲线
from sklearn.model_selection import learning_curve, validation_curve
? learning_curve

def plot_learning_curve(estimator, title, X, y, ylim=None, cv=None,n_jobs=1, train_size=np.linspace(.1, 1.0, 5 )):  
    plt.figure()  
    plt.title(title)  
    if ylim is not None:  
        plt.ylim(*ylim)  
    plt.xlabel('Training example')  
    plt.ylabel('score')  
    train_sizes, train_scores, test_scores = learning_curve(estimator, X, y, cv=cv, n_jobs=n_jobs, train_sizes=train_size, scoring = make_scorer(mean_absolute_error))  
    train_scores_mean = np.mean(train_scores, axis=1)  
    train_scores_std = np.std(train_scores, axis=1)  
    test_scores_mean = np.mean(test_scores, axis=1)  
    test_scores_std = np.std(test_scores, axis=1)  
    plt.grid()#区域  
    plt.fill_between(train_sizes, train_scores_mean - train_scores_std,  
                     train_scores_mean + train_scores_std, alpha=0.1,  
                     color="r")  
    plt.fill_between(train_sizes, test_scores_mean - test_scores_std,  
                     test_scores_mean + test_scores_std, alpha=0.1,  
                     color="g")  
    plt.plot(train_sizes, train_scores_mean, 'o-', color='r',  
             label="Training score")  
    plt.plot(train_sizes, test_scores_mean,'o-',color="g",  
             label="Cross-validation score")  
    plt.legend(loc="best")  
    return plt  

4.組み込み特徴選択：ラッソ回帰、リッジ回帰、ツリー;

6.モデル比較：一般的線形モデル、共通の非線形モデル;
7.モデルスケジューリング：貪欲スケジューリング方法、グリッドパラメータ調整方法、ベイズチューン参照方法