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

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

后期更新……

相关文章
|
20小时前
|
机器学习/深度学习 分布式计算 并行计算
【机器学习】怎样在非常大的数据集上执行K-means算法?
【5月更文挑战第13天】【机器学习】怎样在非常大的数据集上执行K-means算法?
|
20小时前
|
机器学习/深度学习 算法 数据挖掘
【机器学习】列举几种情况,在这些情况下K-means算法难以取得较好效果
【5月更文挑战第13天】【机器学习】列举几种情况,在这些情况下K-means算法难以取得较好效果
|
20小时前
|
机器学习/深度学习 传感器 算法
【机器学习】在聚类算法中,使用曼哈顿距离和使用欧式距离有什么区别?
【5月更文挑战第12天】【机器学习】在聚类算法中,使用曼哈顿距离和使用欧式距离有什么区别?
|
20小时前
|
数据采集 机器学习/深度学习 人工智能
【机器学习】在使用K-means算法之前,如何预处理数据?
【5月更文挑战第12天】【机器学习】在使用K-means算法之前,如何预处理数据?
|
20小时前
|
机器学习/深度学习 算法 数据可视化
【机器学习】比较分层聚类(Hierarchical Clustering)和K-means聚类算法
【5月更文挑战第12天】【机器学习】比较分层聚类(Hierarchical Clustering)和K-means聚类算法
|
20小时前
|
机器学习/深度学习 数据采集 算法
深入理解并应用机器学习算法:支持向量机(SVM)
【5月更文挑战第13天】支持向量机(SVM)是监督学习中的强分类算法,用于文本分类、图像识别等领域。它寻找超平面最大化间隔,支持向量是离超平面最近的样本点。SVM通过核函数处理非线性数据,软间隔和正则化避免过拟合。应用步骤包括数据预处理、选择核函数、训练模型、评估性能及应用预测。优点是高效、鲁棒和泛化能力强,但对参数敏感、不适合大规模数据集且对缺失数据敏感。理解SVM原理有助于优化实际问题的解决方案。
|
20小时前
|
机器学习/深度学习 算法
理解并应用机器学习算法:决策树
【5月更文挑战第12天】决策树是直观的分类与回归机器学习算法,通过树状结构模拟决策过程。每个内部节点代表特征属性,分支代表属性取值,叶子节点代表类别。构建过程包括特征选择(如信息增益、基尼指数等)、决策树生成和剪枝(预剪枝和后剪枝)以防止过拟合。广泛应用在信贷风险评估、医疗诊断等领域。理解并掌握决策树有助于解决实际问题。
|
20小时前
|
机器学习/深度学习 算法 数据挖掘
【机器学习】在使用K-means聚类算法时,如何选择K的值?
【5月更文挑战第11天】【机器学习】在使用K-means聚类算法时,如何选择K的值?
|
20小时前
|
机器学习/深度学习 算法 数据挖掘
【机器学习】为什么K-means算法使用欧式距离度量?
【5月更文挑战第11天】【机器学习】为什么K-means算法使用欧式距离度量?
|
20小时前
|
机器学习/深度学习 算法 数据可视化
【机器学习】描述K-means算法的步骤
【5月更文挑战第11天】【机器学习】描述K-means算法的步骤

热门文章

最新文章