大佬教程收集整理的这篇文章主要介绍了具有 GridSearch 和递归特征消除的套索回归模型以获得最佳参数集?,大佬教程大佬觉得挺不错的,现在分享给大家,也给大家做个参考。
我正在处理一个连续数的回归任务,我尝试了 GrIDSearch 的 lasso 回归模型
这是我得到的
Alpha = 0.000011 最高 r^2score = 0.80 代码拟合模型
for ind,i in enumerate(lambdas):
reg = Lasso(Alpha = i)
reg.fit(normalized_x_Train,y_Train)
results = cross_val_score(reg,normalized_x_Train,y_Train,cv=4,scoring="r2")
Train_r_squared[ind] = reg.score(normalized_x_Train,y_Train)
test_r_squared[ind] = reg.score(normalized_x_test,y_test)
df_lam = pd.DataFrame(test_r_squared*100,columns=['R_squared'])
df_lam['lambda'] = (lambdas)
best_lambda_cv = df_lam.loc[df_lam['R_squared'].IDxmax()][1]
model_cv = Lasso(Alpha=best_lambda_cv,max_iter=50000,fit_intercept=True,normalize=false,tol=0.0001,copy_X=True,positive=false,random_state=None,SELEction='cyclic')
model_cv.fit(normalized_x_Train,y_Train)
但是它们在回归模型上显示了许多特征,我想找到可能会增加或(有点)减少 r^2 的最佳特征集
所以我尝试了递归特征消除,代码如下
# get a List of models to evaluate
def get_models():
models = Dict()
for i in range(2,41):
rfe = RFE(Lasso(Alpha=0.00001663157894736842,SELEction='cyclic'),n_features_to_SELEct=i)
model = Lasso()
model.fit(X_Train,y_Train)
models[str(i)] = Pipeline(steps=[('s',rfE),('m',model)])
return models
# evaluate a given model using cross-validation
def evaluate_model(model,X,y):
scores = cross_val_score(model,y,scoring='r2',n_jobs=-1)
return scores
# get the models to evaluate
models = get_models()
# evaluate the models and store results
results,names = List(),List()
for name,model in models.items():
scores = evaluate_model(model,X_Train,y_Train)
results.append(scores)
names.append(Name)
print('>%s %.3f' % (name,mean(scores)))
# plot model perfoRMANce for comparison
pyplot.boxplot(results,labels=names,showmeans=TruE)
pyplot.show()
我不确定我是否做对了,我的问题是“他们已经运行了 10 多分钟并且还在计数”
那么我的代码是否正确?
暂无找到可以解决该程序问题的有效方法,小编努力寻找整理中!
如果你已经找到好的解决方法,欢迎将解决方案带上本链接一起发送给小编。
小编邮箱:dio#foxmail.com (将#修改为@)
以上是大佬教程为你收集整理的具有 GridSearch 和递归特征消除的套索回归模型以获得最佳参数集?全部内容,希望文章能够帮你解决具有 GridSearch 和递归特征消除的套索回归模型以获得最佳参数集?所遇到的程序开发问题。
如果觉得大佬教程网站内容还不错,欢迎将大佬教程推荐给程序员好友。
本图文内容来源于网友网络收集整理提供,作为学习参考使用,版权属于原作者。
如您有任何意见或建议可联系处理。小编QQ:384754419,请注明来意。