国产在线视频一区,国产精品亚洲综合久久,一级毛片免费不卡直观看

在接下來的代碼實(shí)現(xiàn)中，我們將復(fù)現(xiàn)并細(xì)化類似的可視化效果，希望能為大家在實(shí)踐中提供參考，通過這種方式，我們能夠更好地理解模型的表現(xiàn)，并為數(shù)據(jù)分析與模型調(diào)優(yōu)提供有力支持

代碼實(shí)現(xiàn)

模型構(gòu)建

import pandas as pd import numpy as np import matplotlib.pyplot as plt from sklearn.model_selection import train_test_split df = pd.read_excel('數(shù)據(jù).xlsx') # 劃分特征和目標(biāo)變量 X = df.drop(['price'], axis=1) y = df['price'] # 劃分訓(xùn)練集和測試集 X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42) import xgboost as xgb from sklearn.model_selection import GridSearchCV # XGBoost模型參數(shù) params_xgb = { 'learning_rate': 0.02, # 學(xué)習(xí)率，控制每一步的步長，用于防止過擬合。典型值范圍：0.01 - 0.1 'booster': 'gbtree', # 提升方法，這里使用梯度提升樹（Gradient Boosting Tree） 'objective': 'reg:squarederror', # 損失函數(shù)，這里使用平方誤差 'max_leaves': 127, # 每棵樹的葉子節(jié)點(diǎn)數(shù)量，控制模型復(fù)雜度。較大值可以提高模型復(fù)雜度但可能導(dǎo)致過擬合 'verbosity': 1, # 控制 XGBoost 輸出信息的詳細(xì)程度，0表示無輸出，1表示輸出進(jìn)度信息 'seed': 42, # 隨機(jī)種子，用于重現(xiàn)模型的結(jié)果 'nthread': -1, # 并行運(yùn)算的線程數(shù)量，-1表示使用所有可用的CPU核心 'colsample_bytree': 0.6, # 每棵樹隨機(jī)選擇的特征比例，用于增加模型的泛化能力 'subsample': 0.7 # 每次迭代時(shí)隨機(jī)選擇的樣本比例，用于增加模型的泛化能力 } model_xgb = xgb.XGBRegressor(**params_xgb) # 定義參數(shù)網(wǎng)格，用于網(wǎng)格搜索 param_grid = { 'n_estimators': [100, 200, 300, 400, 500], # 樹的數(shù)量，控制模型的復(fù)雜度 'max_depth': [3, 4, 5, 6, 7], # 樹的最大深度，控制模型的復(fù)雜度，防止過擬合 'min_child_weight': [1, 2, 3, 4, 5], # 節(jié)點(diǎn)最小權(quán)重，值越大，算法越保守，用于控制過擬合 } grid_search = GridSearchCV( estimator=model_xgb, param_grid=param_grid, scoring='neg_root_mean_squared_error', cv=5, n_jobs=-1, verbose=1 ) # 訓(xùn)練模型 grid_search.fit(X_train, y_train) best_model = grid_search.best_estimator_

使用網(wǎng)格搜索優(yōu)化了XGBoost回歸模型的參數(shù)，并在訓(xùn)練集上訓(xùn)練了最佳模型，用于預(yù)測目標(biāo)變量。

模型評(píng)價(jià)指標(biāo)

from sklearn import metrics # 預(yù)測 y_pred_train = best_model.predict(X_train) y_pred_test = best_model.predict(X_test) y_pred_train_list = y_pred_train.tolist() y_pred_test_list = y_pred_test.tolist() # 計(jì)算訓(xùn)練集的指標(biāo) mse_train = metrics.mean_squared_error(y_train, y_pred_train_list) rmse_train = np.sqrt(mse_train) mae_train = metrics.mean_absolute_error(y_train, y_pred_train_list) r2_train = metrics.r2_score(y_train, y_pred_train_list) # 計(jì)算測試集的指標(biāo) mse_test = metrics.mean_squared_error(y_test, y_pred_test_list) rmse_test = np.sqrt(mse_test) mae_test = metrics.mean_absolute_error(y_test, y_pred_test_list) r2_test = metrics.r2_score(y_test, y_pred_test_list) print("訓(xùn)練集評(píng)價(jià)指標(biāo):") print("均方誤差 (MSE):", mse_train) print("均方根誤差 (RMSE):", rmse_train) print("平均絕對(duì)誤差 (MAE):", mae_train) print("擬合優(yōu)度 (R-squared):", r2_train) print("\n測試集評(píng)價(jià)指標(biāo):") print("均方誤差 (MSE):", mse_test) print("均方根誤差 (RMSE):", rmse_test) print("平均絕對(duì)誤差 (MAE):", mae_test) print("擬合優(yōu)度 (R-squared):", r2_test)

量化和比較模型在訓(xùn)練數(shù)據(jù)和測試數(shù)據(jù)上的預(yù)測效果，通過一系列常用的回歸指標(biāo)來衡量模型的性能。

回歸結(jié)果可視化

import seaborn as sns from sklearn import metrics # 創(chuàng)建一個(gè)包含訓(xùn)練集和測試集真實(shí)值與預(yù)測值的數(shù)據(jù)框 data_train = pd.DataFrame({ 'True': y_train, 'Predicted': y_pred_train, 'Data Set': 'Train' }) data_test = pd.DataFrame({ 'True': y_test, 'Predicted': y_pred_test, 'Data Set': 'Test' }) data = pd.concat([data_train, data_test]) # 自定義調(diào)色板 palette = {'Train': '#b4d4e1', 'Test': '#f4ba8a'} # 創(chuàng)建 JointGrid 對(duì)象 plt.figure(figsize=(8, 6), dpi=1200) g = sns.JointGrid(data=data, x="True", y="Predicted", hue="Data Set", height=10, palette=palette) # 繪制中心的散點(diǎn)圖 g.plot_joint(sns.scatterplot, alpha=0.5) # 添加訓(xùn)練集的回歸線 sns.regplot(data=data_train, x="True", y="Predicted", scatter=False, ax=g.ax_joint, color='#b4d4e1', label='Train Regression Line') # 添加測試集的回歸線 sns.regplot(data=data_test, x="True", y="Predicted", scatter=False, ax=g.ax_joint, color='#f4ba8a', label='Test Regression Line') # 添加邊緣的柱狀圖 g.plot_marginals(sns.histplot, kde=False, element='bars', multiple='stack', alpha=0.5) # 添加擬合優(yōu)度文本在右下角 ax = g.ax_joint ax.text(0.95, 0.1, f'Train $R^2$ = {r2_train:.3f}', transform=ax.transAxes, fontsize=12, verticalalignment='bottom', horizontalalignment='right', bbox=dict(boxstyle="round,pad=0.3", edgecolor="black", facecolor="white")) ax.text(0.95, 0.05, f'Test $R^2$ = {r2_test:.3f}', transform=ax.transAxes, fontsize=12, verticalalignment='bottom', horizontalalignment='right', bbox=dict(boxstyle="round,pad=0.3", edgecolor="black", facecolor="white")) # 在左上角添加模型名稱文本 ax.text(0.75, 0.99, 'Model = xgboost', transform=ax.transAxes, fontsize=12, verticalalignment='top', horizontalalignment='left', bbox=dict(boxstyle="round,pad=0.3", edgecolor="black", facecolor="white")) # 添加中心線 ax.plot([data['True'].min(), data['True'].max()], [data['True'].min(), data['True'].max()], c="black", alpha=0.5, linestyle='--', label='x=y') ax.legend() plt.savefig("TrueFalse.pdf", format='pdf', bbox_inches='tight')

創(chuàng)建一個(gè)聯(lián)合網(wǎng)格圖（JointGrid），其中包含散點(diǎn)圖、回歸線以及直方圖，用于直觀比較真實(shí)值和預(yù)測值的關(guān)系，讀者能直觀地看到模型在訓(xùn)練集和測試集上的表現(xiàn)，并通過值和對(duì)角線判斷模型的擬合效果，如果要關(guān)閉y軸柱狀圖只需要在添加邊緣的柱狀圖 下面添加以下代碼。