23、多项式回归与Pipeline用法

东方耀

23、多项式回归与Pipeline用法


多项式回归思想：还是线性回归算法，只是增加了特征，是原有特征的多项式表达，实际上：升维了
PCA：降维了


PolynomialFeatures(degree=3) 多项式特征

1. from sklearn.pipeline import Pipeline
   
2. from sklearn.preprocessing import PolynomialFeatures
   
3. from sklearn.preprocessing import StandardScaler
   
4. 
   
5. def PolynomialRegression(degree):
   
6.     return Pipeline([
   
7.         ("poly", PolynomialFeatures(degree=degree)),
   
8.         ("std_scaler", StandardScaler()),
   
9.         ("lin_reg", LinearRegression())
   
10.     ])
    
11. poly2_reg = PolynomialRegression(degree=2)
    
12. poly2_reg.fit(X, y)
    
13. y2_predict = poly2_reg.predict(X)
    
14. mean_squared_error(y, y2_predict)

复制代码

Pipeline
一般做了多项式特征（维度扩展），如果degree比较大，则特征个数指数级增长，同时特征的数量级差距也会拉大，此时也会需要进行数据归一化
Pipeline提供了简化流程 from sklearn.pipeline import Pipeline
# List of (name, transform) tuples (implementing fit/transform)
poly_reg_pipe = Pipeline(steps=[
    ('poly', PolynomialFeatures(degree=2)),
    ('std_scaler', StandardScaler()),
    ('lin_reg', LinearRegression())
])


ipynb文件在附件，可提供下载！


视频教程请参考：http://www.ai111.vip/thread-349-1-1.html
东方老师微信：dfy_88888

fglbee

this is good idea

kiko

学习中，支持

kiko

学习中，支持