打卡Day55

作业:手动构造类似的数据集(如cosx数据),观察不同的机器学习模型的差异

模型比较

1. 线性回归

python 复制代码
from sklearn.linear_model import LinearRegression
from sklearn.metrics import mean_squared_error

# 线性回归
lr = LinearRegression()
lr.fit(X_train, y_train)
y_pred = lr.predict(X_test)
mse = mean_squared_error(y_test, y_pred)
print(f"Linear Regression MSE: {mse:.4f}")

2. 随机森林

python 复制代码
from sklearn.ensemble import RandomForestRegressor

rf = RandomForestRegressor(n_estimators=100, random_state=42)
rf.fit(X_train, y_train)
y_pred = rf.predict(X_test)
mse = mean_squared_error(y_test, y_pred)
print(f"Random Forest MSE: {mse:.4f}")

3. 支持向量回归(SVR)

python 复制代码
from sklearn.svm import SVR
from sklearn.preprocessing import StandardScaler

# 标准化数据
scaler = StandardScaler()
X_train_scaled = scaler.fit_transform(X_train)
X_test_scaled = scaler.transform(X_test)

svr = SVR(kernel='rbf', C=100, gamma=0.1, epsilon=0.1)
svr.fit(X_train_scaled, y_train)
y_pred = svr.predict(X_test_scaled)
mse = mean_squared_error(y_test, y_pred)
print(f"SVR MSE: {mse:.4f}")

4. 简单RNN

python 复制代码
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import SimpleRNN, Dense

# 重塑数据为RNN需要的形状 [样本数, 时间步数, 特征数]
X_train_rnn = X_train.reshape((X_train.shape[0], X_train.shape[1], 1))
X_test_rnn = X_test.reshape((X_test.shape[0], X_test.shape[1], 1))

# 构建RNN模型
model = Sequential([
    SimpleRNN(50, activation='tanh', input_shape=(X_train_rnn.shape[1], 1)),
    Dense(1)
])
model.compile(optimizer='adam', loss='mse')

# 训练模型
history = model.fit(X_train_rnn, y_train, epochs=50, batch_size=32, 
                    validation_data=(X_test_rnn, y_test), verbose=0)

y_pred = model.predict(X_test_rnn)
mse = mean_squared_error(y_test, y_pred)
print(f"Simple RNN MSE: {mse:.4f}")

5. LSTM

python 复制代码
from tensorflow.keras.layers import LSTM

# 构建LSTM模型
model = Sequential([
    LSTM(50, activation='tanh', input_shape=(X_train_rnn.shape[1], 1)),
    Dense(1)
])
model.compile(optimizer='adam', loss='mse')

# 训练模型
history = model.fit(X_train_rnn, y_train, epochs=50, batch_size=32, 
                    validation_data=(X_test_rnn, y_test), verbose=0)

y_pred = model.predict(X_test_rnn)
mse = mean_squared_error(y_test, y_pred)
print(f"LSTM MSE: {mse:.4f}")

可视化比较

python 复制代码
import matplotlib.pyplot as plt

# 绘制预测结果对比
plt.figure(figsize=(12, 6))
plt.plot(y_test[:100], label='True')
plt.plot(lr.predict(X_test)[:100], label='Linear Regression')
plt.plot(rf.predict(X_test)[:100], label='Random Forest')
plt.plot(svr.predict(X_test_scaled)[:100], label='SVR')
plt.plot(model.predict(X_test_rnn)[:100], label='LSTM')
plt.legend()
plt.title('Comparison of Model Predictions')
plt.show()
相关推荐
文火冰糖的硅基工坊14 分钟前
[人工智能-大模型-72]:模型层技术 - 模型训练六大步:①数据预处理 - 基本功能与对应的基本组成函数
开发语言·人工智能·python
Python×CATIA工业智造2 小时前
Pycatia二次开发基础代码解析:组件识别、选择反转与链接创建技术解析
python·pycharm
小宁爱Python2 小时前
从零搭建 RAG 智能问答系统 6:Text2SQL 与工作流实现数据库查询
数据库·人工智能·python·django
m0_748241232 小时前
Java注解与反射实现日志与校验
java·开发语言·python
可触的未来,发芽的智生3 小时前
追根索源:换不同的词嵌入(词向量生成方式不同,但词与词关系接近),会出现什么结果?
javascript·人工智能·python·神经网络·自然语言处理
hu_nil3 小时前
LLMOps-第十一周作业
python·vllm
阿Q说代码4 小时前
IPIDEA实现数据采集自动化:高效自动化采集方案
运维·python·自动化·数据采集
大模型真好玩4 小时前
OCR技术简史: 从深度学习到大模型,最强OCR大模型花落谁家
人工智能·python·deepseek
AI量化投资实验室5 小时前
年化591%,回撤仅7%的策略,支持订阅信号|基于AgentScope开发金融多智能体,附python代码
开发语言·python·金融
CaracalTiger5 小时前
告别云端依赖!ComfyUI本地化视频生成实战教程+cpolar实战
python·gpt·开源·aigc·ai编程·1024程序员节·ai-native