数据结构
网络
关系数据库管理系统 (RDBMS)
操作系统
Java
MS Excel
iOS
HTML
CSS
Android
Python
C 编程
C++
C#
MongoDB
MySQL
Javascript
PHP
物理
化学
生物
数学
英语
经济学
心理学
社会学
服装设计
法学如何使用 Python Scikit-learn 生成随机回归问题？
Python Scikit-learn 提供了 `make_regression()` 函数，我们可以用它来生成随机回归问题。在本教程中，我们将学习如何生成随机回归问题和具有稀疏不相关设计的随机回归问题。
随机回归问题
要使用 Python Scikit-learn 生成随机回归问题，我们可以按照以下步骤操作：
步骤 1 - 导入执行程序所需的库 `sklearn.datasets.make_regression` 和 `matplotlib`。
步骤 2 - 提供样本数量和其他参数。
步骤 3 - 使用 matplotlib 库设置输出图形的大小和样式。
步骤 4 - 使用 matplotlib 绘制回归问题。
示例
在下面的示例中，我们将生成具有 500 个样本的回归问题。
# Importing libraries from sklearn.datasets import make_regression from matplotlib import pyplot as plt from matplotlib import style import seaborn as sns # Set the figure size plt.rcParams["figure.figsize"] = [7.50, 3.50] plt.rcParams["figure.autolayout"] = True # Creating and plotting the regression problem style.use("Solarize_Light2") r_data, r_values = make_regression(n_samples=500, n_features=1, n_informative=2, noise=1) plt.scatter(r_data[:,0],r_values,cmap='rocket'); plt.show()
输出
它将产生以下输出：
具有稀疏不相关设计的随机回归问题
Python Scikit-learn 提供了 `make_sparse_uncorrelated()` 函数，我们可以用它来生成具有不相关设计的随机回归问题。
为此，我们可以采取以下步骤：
步骤 1 - 导入执行程序所需的库 `sklearn.datasets.make_sparse_uncorrelated` 和 `matplotlib`。
步骤 2 - 提供样本数量和其他参数。
步骤 3 - 使用 matplotlib 库设置输出图形的大小和样式。
步骤 4 - 使用 matplotlib 绘制回归问题。
示例
在下面的示例中，我们将生成具有 500 个样本和 4 个特征的回归问题。`n_features` 参数的默认值为 10。
# Importing libraries from sklearn.datasets import make_sparse_uncorrelated from matplotlib import pyplot as plt from matplotlib import style # Set the figure size plt.rcParams["figure.figsize"] = [7.50, 3.50] plt.rcParams["figure.autolayout"] = True # Creating the regression problem with sparse uncorrelated design X, y = make_sparse_uncorrelated(n_samples=500, n_features=4) # Plotting the dataset style.use("Solarize_Light2") plt.figure(figsize=(7.50, 3.50)) plt.title("Random regression problem with sparse uncorrelated design", fontsize="12") plt.scatter(X[:,0],y,edgecolor="k"); plt.show()
输出
它将产生以下输出：
更新于：2022年10月4日
953 次浏览
广告