如何添加网站代码资源网站如何做

如何添加网站代码,资源网站如何做,做网站开发的有外快嘛,wordpress多张产品图片SSA-SVR回归预测!可替换改进的麻雀搜索算法 优化对象#xff1a;c和g 适应度函数#xff1a;K折交叉验证MSE#xff0c;测试集预测结果的MSE#xff0c;前两种结果的均值#xff0c;训练集及测试集分别预测后的MSE 共四种。 提供SVR与SSA-SVR的对比#xff0c;图多管饱数…SSA-SVR回归预测!可替换改进的麻雀搜索算法 优化对象c和g 适应度函数K折交叉验证MSE测试集预测结果的MSE前两种结果的均值训练集及测试集分别预测后的MSE 共四种。 提供SVR与SSA-SVR的对比图多管饱数据为多输入单输出数据可直接替换Excel表格操作简单预测高效在机器学习的预测领域回归预测一直是个热门话题。今天咱们来唠唠基于改进麻雀搜索算法SSA优化支持向量回归SVR的预测方法这可是个能让预测效果更上一层楼的好东西。优化对象c和gSVR中有两个关键参数惩罚因子c和核函数参数g。这俩参数对SVR的性能影响那可不小。就好比做菜时的盐和糖放多放少直接决定了这道菜的口味。传统方法在调参时可能得靠经验或者暴力枚举费时费力还不一定能找到最优解。而咱们这里用改进的麻雀搜索算法来优化它们那可就高效多啦。适应度函数的四重奏K折交叉验证MSEK折交叉验证是评估模型性能的常用手段。咱们把数据集分成K份每次拿一份做测试集其余K - 1份做训练集重复K次最后求MSE均方误差的平均值。MSE能衡量预测值和真实值之间的误差平方的均值值越小说明预测越准。pythonfrom sklearn.modelselection import KFoldfrom sklearn.metrics import meansquared_errorimport numpy as npdef kfoldmse(X, y, model, k 5):kf KFold(n_splits k)mse_scores []for trainindex, testindex in kf.split(X):Xtrain, Xtest X[trainindex], X[testindex]ytrain, ytest y[trainindex], y[testindex]model.fit(Xtrain, ytrain)ypred model.predict(Xtest)mse meansquarederror(ytest, ypred)mse_scores.append(mse)return np.mean(mse_scores)这段代码里咱们先用KFold定义了K折交叉验证然后循环每一次的训练集和测试集划分训练模型并计算每次的MSE最后返回平均MSE。测试集预测结果的MSE这个就比较直接啦训练好模型后直接在测试集上预测然后计算预测值和真实值的MSE。pythondef testmse(Xtest, ytest, model):ypred model.predict(Xtest)return meansquarederror(ytest, y_pred)前两种结果的均值把上面K折交叉验证的MSE和测试集的MSE求个平均能更全面地评估模型性能。pythondef combinedmse(X, y, Xtest, ytest, model, k 5):kfmse kfoldmse(X, y, model, k)testmsevalue testmse(Xtest, ytest, model)return (kfmse testmsevalue) / 2训练集及测试集分别预测后的MSE分别计算训练集和测试集预测后的MSE这样可以对比模型在训练集和测试集上的表现看看是否存在过拟合或欠拟合的情况。pythondef traintestmse(Xtrain, ytrain, Xtest, ytest, model):model.fit(Xtrain, ytrain)ytrainpred model.predict(Xtrain)trainmse meansquarederror(ytrain, ytrainpred)ytestpred model.predict(Xtest)testmse meansquarederror(ytest, ytestpred)return trainmse, testmseSVR与SSA - SVR的对比光说不练假把式咱们来对比下传统SVR和SSA - SVR。数据是多输入单输出的操作也简单直接替换Excel表格就行。传统SVRfrom sklearn.svm import SVR import pandas as pd # 读取数据 data pd.read_excel(your_data.xlsx) X data.drop(target_column, axis 1).values y data[target_column].values # 划分训练集和测试集 from sklearn.model_selection import train_test_split X_train, X_test, y_train, y_test train_test_split(X, y, test_size 0.2, random_state 42) # 初始化SVR模型 svr SVR() svr.fit(X_train, y_train) y_pred svr.predict(X_test) svr_mse mean_squared_error(y_test, y_pred)SSA - SVR# 这里假设已经实现了SSA算法来优化SVR的c和g from ssa_svr import SSA_SVR ssa_svr SSA_SVR() ssa_svr.fit(X_train, y_train) y_pred_ssa ssa_svr.predict(X_test) ssa_svr_mse mean_squared_error(y_test, y_pred_ssa)对比可视化咱们可以画个图来直观地看看两者的预测效果。比如画个散点图横坐标是真实值纵坐标是预测值把SVR和SSA - SVR的预测结果都画上去。import matplotlib.pyplot as plt plt.scatter(y_test, y_pred, labelSVR, alpha 0.5) plt.scatter(y_test, y_pred_ssa, labelSSA - SVR, alpha 0.5) plt.xlabel(True Values) plt.ylabel(Predicted Values) plt.legend() plt.show()通过对比可以发现SSA - SVR因为优化了c和g参数在很多情况下预测效果要优于传统SVR而且这种多输入单输出的数据处理方式结合简单的Excel表格替换让预测既高效又方便。无论是在工业预测还是数据分析场景中都有它的用武之地呢。希望大家对SSA - SVR回归预测有了更清晰的认识赶紧动手试试吧