回歸模型構建

以SVM為例，咱簡單過一遍模型構建的大致流程。

from sklearn.datasets import load_diabetes  # 導入糖尿病數據
from sklearn.model_selection import train_test_split  # 數據集劃分
from sklearn.preprocessing import StandardScaler  # 標準差標準化
from sklearn.svm import SVR  # 導入SVR庫

# 導出所需的數據
diabetes = load_diabetes()
X = diabetes[‘data‘]
y = diabetes[‘target‘]
# 數據集劃分
X_train, X_test, y_train, y_test = train_test_split(X, y, train_size = 0.8, random_state = 123)
# 數據標準化
Standard = StandardScaler().fit(X_train)  # 訓練規則
x_train = Standard.transform(X_train)  # 應用規則
x_test = Standard.transform(X_test)  # 應用規則
# 開始構建
svr = SVR().fit(x_train, y_train)  # 訓練模型
y_pred = svr.predict(x_test)  # 預測標簽
 

　　數據標準化的目的，是消除量綱差異。因為量綱差異會導致涉及距離計算和梯度下降的模型出現異常，例如某些特征重要性非常大，而某些特征則變得不那麽重要。

　　至此，模型就構建完畢了。當然，很多時候我們還需要對構建的模型進行評價。

回歸模型評價

所有回歸模型評價函數的參數均為兩個：

• 真實值，即在劃分時劃分的測試集標簽

• 預測值，通過模型預測所得出的結果

一般情況下，單一一個回歸模型無法說明回歸模型好壞，需要多個回歸模型進行比較。

from sklearn import metrics
metrics.mean_absolute_error(y_test, y_pred)

60.62483115202473

metrics.mean_squared_error(y_test,y_pred)

5160.5160.043822698072

metrics.median_absolute_error(y_test,y_pred)
 

56.12912460415339

metrics.explained_variance_score(y_test,y_pred)

0.20385710303138893

metrics.r2_score(y_test,y_pred)

0.18096718824416846

　　由這裏我們也可以看出，不同的評價方法也會得出不同的模型優劣。

　　所以，要想構建一個好的模型，首先得確定一或多個適合的模型算法，之後進行交叉驗證等手段驗證，還得運用恰當的評價方法進行客觀評價。甚至即便如此，我們也還不能肯定地說：得到的模型，就是一個十全十美的最好的模型。

　　下課。

回歸模型構建