- 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
- 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