선형 회귀 전력 예측
1502 단어 기계 학습
import pandas as pd
# pandas
data = pd.read_csv("C:/Users/Administrator/Desktop/data/ccpp.csv")
data.head()
X = data[["AT","V","AP","RH"]]
print(X.shape)
y = data[["PE"]]
print (y.shape)
"""
sklearn.cross_validation sklearn , model_selection
"""
from sklearn.model_selection import train_test_split
#
X_train,X_test,y_train,y_test = train_test_split(X,y,random_state=1)
print (X_train.shape)
print (y_train.shape)
print (X_test.shape)
print (y_test.shape)
from sklearn.linear_model import LinearRegression
linreg = LinearRegression()
linreg.fit(X_train,y_train)
# ,
print (linreg.intercept_)#
print (linreg.coef_) #
y_pred = linreg.predict(X_test)
from sklearn import metrics
import numpy as np
# sklearn mse Rmse
print ("MSE:",metrics.mean_squared_error(y_test, y_pred))
print ("RMSE:",np.sqrt(metrics.mean_squared_error(y_test, y_pred)))
#
from sklearn.model_selection import cross_val_predict
predicted = cross_val_predict(linreg,X,y,cv=10)
print ("MSE:",metrics.mean_squared_error(y, predicted))
print ("RMSE:",np.sqrt(metrics.mean_squared_error(y, predicted)))
#
import matplotlib.pyplot as plt
fig, ax = plt.subplots()
ax.scatter(y, predicted)
ax.plot([y.min(), y.max()], [y.min(), y.max()], 'k--', lw=4)
ax.set_xlabel('Measured')
ax.set_ylabel('Predicted')
plt.show()
이 내용에 흥미가 있습니까?
현재 기사가 여러분의 문제를 해결하지 못하는 경우 AI 엔진은 머신러닝 분석(스마트 모델이 방금 만들어져 부정확한 경우가 있을 수 있음)을 통해 가장 유사한 기사를 추천합니다:
형태소 분석은 데스크톱을 구성하는 데 도움이?문자×기계 학습에 흥미를 가져와 개인 범위의 용도를 생각해, 폴더 정리에 사용할 수 있을까 생각해 검토를 시작했습니다. 이번 검토에서는 폴더 구성 & text의 읽기 → mecab × wordcloud를 실시하고 있...
텍스트를 자유롭게 공유하거나 복사할 수 있습니다.하지만 이 문서의 URL은 참조 URL로 남겨 두십시오.
CC BY-SA 2.5, CC BY-SA 3.0 및 CC BY-SA 4.0에 따라 라이센스가 부여됩니다.