ML之回归预测:利用九大类机器学习算法对无人驾驶汽车系统参数(2018年的data,18+2)进行回归预测值VS真实值

简介: ML之回归预测:利用九大类机器学习算法对无人驾驶汽车系统参数(2018年的data,18+2)进行回归预测值VS真实值

输出结果

image.png


image.png

image.png

数据的初步查验:输出回归目标值的差异

The max target value is PeakNonedb    89

dtype: int64

The min target value is PeakNonedb    56

dtype: int64

The average target value is PeakNonedb    63.392157

dtype: float64

X_test进行归一化:

[[-0.9491207  -1.77209939 -0.79948391 -1.43561411 -1.57260903 -1.40726549

 -1.45642384 -1.48633439 -1.3001131  -1.39201745 -1.43714071 -2.7383659

 -0.94919765 -0.73005097  0.         -0.49383335 -0.65675347]

[-0.75177877 -1.77498304 -0.79948391 -1.23709687 -1.34056255 -1.34617547

 -1.2643713  -1.28972931 -1.09785003 -1.17393121 -1.22164307 -2.31661538

 -1.14197474 -1.03125079  0.         -0.49383335 -0.64970028]

[-0.55443684 -1.77209939 -0.79948391 -0.86678588 -0.91216904 -0.97963535

 -0.8962706  -0.92109479 -0.64443991 -0.73819491 -0.80934977 -1.47311433

 -1.14197474 -1.3324506   0.         -0.50137443 -0.64970028]

[-0.35709492 -1.77498304 -0.79948391 -0.50029252 -0.49270039 -0.50757609

 -0.53350469 -0.55491783 -0.21524754 -0.30289478 -0.41108294 -0.41873802

 -1.33475182 -1.3324506   0.         -0.52399769 -0.65675347]

[-0.15975299 -1.48373433 -0.79948391 -1.18746756 -1.28255093 -1.30452318

 -1.21102337 -1.23074779 -1.08349877 -1.17436739 -1.22546848 -2.31661538

 -0.17808931 -0.27825126  0.         -0.49383335 -0.62854068]

[ 0.03758894 -1.48373433 -0.79948391 -0.82479185 -0.86308228 -1.01295718

 -0.85625965 -0.86702839 -0.66731223 -0.73863108 -0.80934977 -1.3676767

 -0.94919765 -0.88065088  0.         -0.49383335 -0.64264708]

[ 0.23493087 -1.48373433 -0.79948391 -0.48502196 -0.47485066 -0.46592381

 -0.51483291 -0.51313925 -0.22690794 -0.30333095 -0.40938276 -0.20786276

 -1.14197474 -1.18185069  0.         -0.49383335 -0.62854068]

[-0.9491207  -0.04479271  0.07932705 -0.58809822 -0.5774866  -0.51312973

 -0.58952001 -0.63847499 -0.2179384  -0.30289478 -0.40640745 -0.20786276

 -1.52752891 -1.78425032  0.         -0.48629226 -0.61443429]

[-0.75177877 -0.04190905  0.07932705 -0.59191586 -0.58641147 -0.52979065

 -0.59218741 -0.62127205 -0.21659297 -0.30333095 -0.40895772 -0.41873802

 -1.52752891 -1.63365041  0.         -0.49383335 -0.62854068]

[-0.55443684 -0.04190905  0.07932705 -0.59191586 -0.58641147 -0.5381211

 -0.5975222  -0.60652667 -0.22466556 -0.30333095 -0.40768258 -0.41873802

 -1.52752891 -1.63365041  0.         -0.49383335 -0.62148748]

[-0.35709492 -0.04479271  0.07932705 -0.54610419 -0.51501255 -0.48536154

 -0.55484386 -0.55000271 -0.22825337 -0.30333095 -0.40853267 -0.31330039

 -1.33475182 -1.3324506   0.         -0.49383335 -0.62148748]

[-0.15975299 -0.04767636  0.07932705 -0.50411016 -0.47038823 -0.51312973

 -0.51216551 -0.5573754  -0.20941734 -0.30333095 -0.41405825 -0.20786276

 -1.14197474 -1.3324506   0.         -0.48629226 -0.62148748]]


 

 

核心代码

后期更新……

相关文章
|
算法 机器人
基于SOA海鸥优化算法的PID控制器最优控制参数计算matlab仿真
本课题研究基于海鸥优化算法(SOA)优化PID控制器参数的方法,通过MATLAB仿真对比传统PID控制效果。利用SOA算法优化PID的kp、ki、kd参数,以积分绝对误差(IAE)为适应度函数,提升系统响应速度与稳定性。仿真结果表明,SOA优化的PID控制器在阶跃响应和误差控制方面均优于传统方法,具有更快的收敛速度和更强的全局寻优能力,适用于复杂系统的参数整定。
|
机器学习/深度学习 数据采集 人工智能
【机器学习算法篇】K-近邻算法
K近邻(KNN)是一种基于“物以类聚”思想的监督学习算法,通过计算样本间距离,选取最近K个邻居投票决定类别。支持多种距离度量,如欧式、曼哈顿、余弦相似度等,适用于分类与回归任务。结合Scikit-learn可高效实现,需合理选择K值并进行数据预处理,常用于鸢尾花分类等经典案例。(238字)
|
算法 Python
粒子群算法对pi控制器进行参数优化,随时优化pi参数以控制直流无刷电机转速(Simulink仿真实现)
粒子群算法对pi控制器进行参数优化,随时优化pi参数以控制直流无刷电机转速(Simulink仿真实现)
458 9
|
算法 数据可视化 数据挖掘
基于EM期望最大化算法的GMM参数估计与三维数据分类系统python源码
本内容展示了基于EM算法的高斯混合模型(GMM)聚类实现,包含完整Python代码、运行效果图及理论解析。程序使用三维数据进行演示,涵盖误差计算、模型参数更新、结果可视化等关键步骤,并附有详细注释与操作视频,适合学习EM算法与GMM模型的原理及应用。
|
机器学习/深度学习 数据采集 人工智能
20分钟掌握机器学习算法指南
在短短20分钟内,从零开始理解主流机器学习算法的工作原理,掌握算法选择策略,并建立对神经网络的直观认识。本文用通俗易懂的语言和生动的比喻,帮助你告别算法选择的困惑,轻松踏入AI的大门。
1141 8
|
机器学习/深度学习 存储 Kubernetes
【重磅发布】AllData数据中台核心功能:机器学习算法平台
杭州奥零数据科技有限公司成立于2023年,专注于数据中台业务,维护开源项目AllData并提供商业版解决方案。AllData提供数据集成、存储、开发、治理及BI展示等一站式服务,支持AI大模型应用,助力企业高效利用数据价值。
|
机器学习/深度学习 算法 数据挖掘
K-means聚类算法是机器学习中常用的一种聚类方法,通过将数据集划分为K个簇来简化数据结构
K-means聚类算法是机器学习中常用的一种聚类方法,通过将数据集划分为K个簇来简化数据结构。本文介绍了K-means算法的基本原理,包括初始化、数据点分配与簇中心更新等步骤,以及如何在Python中实现该算法,最后讨论了其优缺点及应用场景。
1961 6
|
机器学习/深度学习 人工智能 算法
机器学习算法的优化与改进:提升模型性能的策略与方法
机器学习算法的优化与改进:提升模型性能的策略与方法
2805 13
机器学习算法的优化与改进:提升模型性能的策略与方法
|
机器学习/深度学习 人工智能 自然语言处理
AI训练师入行指南(三):机器学习算法和模型架构选择
从淘金到雕琢,将原始数据炼成智能珠宝!本文带您走进数字珠宝工坊,用算法工具打磨数据金砂。从基础的经典算法到精密的深度学习模型,结合电商、医疗、金融等场景实战,手把手教您选择合适工具,打造价值连城的智能应用。掌握AutoML改装套件与模型蒸馏术,让复杂问题迎刃而解。握紧算法刻刀,为数字世界雕刻文明!
640 6
|
机器学习/深度学习 算法 数据安全/隐私保护
基于机器学习的人脸识别算法matlab仿真,对比GRNN,PNN,DNN以及BP四种网络
本项目展示了人脸识别算法的运行效果(无水印),基于MATLAB2022A开发。核心程序包含详细中文注释及操作视频。理论部分介绍了广义回归神经网络(GRNN)、概率神经网络(PNN)、深度神经网络(DNN)和反向传播(BP)神经网络在人脸识别中的应用,涵盖各算法的结构特点与性能比较。

热门文章

最新文章