AI 助理
备案控制台
开发者社区 云计算 文章 正文

ML之回归预测：利用6个单独+2个集成模型(LassoR、KernelRidgeR、ElasticNetR、GBR、XGBR、LGBMR，Avg、Stacking)对自动驾驶数据集【5+1】回归预测

2021-11-06 202
版权
版权声明：
本文内容由阿里云实名注册用户自发贡献，版权归原作者所有，阿里云开发者社区不拥有其著作权，亦不承担相应法律责任。具体规则请查看《 阿里云开发者社区用户服务协议》和 《阿里云开发者社区知识产权保护指引》。如果您发现本社区中有涉嫌抄袭的内容，填写 侵权投诉表单进行举报，一经查实，本社区将立刻删除涉嫌侵权内容。
简介： ML之回归预测：利用6个单独+2个集成模型(LassoR、KernelRidgeR、ElasticNetR、GBR、XGBR、LGBMR，Avg、Stacking)对自动驾驶数据集【5+1】回归预测

利用6个单独+2个集成模型(LassoR、KernelRidgeR、ElasticNetR、GBR、XGBR、LGBMR，Avg、Stacking)对自动驾驶数据集【5+1】进行回归预测

输出结果

image.png

image.png


A号

采用

A号

当前执行文件： A

数据集维度： (976, 6)

LassoR 5f-CV: 0.4462 (0.0563)

LassoR02 5f-CV: 0.5456 (0.0715)

LassoR02，train数据集 0.5526179336472097

LassoR02，test数据集  0.6732089198088576

-------------------------------------

KernelRidgeR 5f-CV: 0.6642 (0.0730)

KernelRidgeR，train数据集 0.6805860822980461

KernelRidgeR，test数据集  0.7405846022727811

-------------------------------------

ElasticNetR 5f-CV: 0.4462 (0.0569)

ElasticNetR02 5f-CV: 0.5456 (0.0715)

ElasticNetR02，train数据集 0.5526178479012465

ElasticNetR02，test数据集  0.6731992550553381

ElasticNetR02，新数据test数据集 -0.3208470395653842

-------------------------------------

GBR 5f-CV: 0.7282 (0.0836)

GBR，train数据集 0.8345981026354394

GBR，test数据集  0.8836426919685801

GBR，新数据test数据集 0.5423980510823256

-------------------------------------

XGBR 5f-CV: 0.5968 (0.1598)

XGBR，train数据集 0.9498792703466663

XGBR，test数据集  0.5294274976732699

-------------------------------------

LGBMR 5f-CV: 0.6800 (0.0813)

LGBMR，train数据集 0.752736654063432

LGBMR，test数据集 0.8351338223270363

LGBMR，新数据test数据集 0.13807006975794722

-------------------------------------

AverageModels：LassoR,ElasticNetR,GBR,对基模型进行集成之后的得分：0.6125 (0.0745)

Avg_models，train数据集 0.6522572454986824

Avg_models，test数据集 0.7573889394793365

Avg_models，新数据test数据集 0.28916724655645554

-------------------------------------

StackingAverageModels：对基模型进行集成之后的得分：0.7343 (0.0869)

stacked_averaged_model，train数据集 0.8151478562063295

stacked_averaged_model，test数据集 0.88386196685559

stacked_averaged_model，新数据test数据集 0.5691878150702203

采用datetime方法，run time： 0:01:01.575381

B号


B号

当前执行文件： B

数据集维度： (976, 6)

LassoR 5f-CV: 0.8682 (0.0181)

LassoR02 5f-CV: 0.9002 (0.0174)

LassoR02，train数据集 0.9044985042907371

LassoR02，test数据集  0.8673000279695428

-------------------------------------

KernelRidgeR 5f-CV: 0.9258 (0.0078)

KernelRidgeR，train数据集 0.9315871006958186

KernelRidgeR，test数据集  0.8942765729762692

-------------------------------------

ElasticNetR 5f-CV: 0.8347 (0.0172)

ElasticNetR02 5f-CV: 0.9002 (0.0174)

ElasticNetR02，train数据集 0.9044982115579915

ElasticNetR02，test数据集  0.8672996184647543

ElasticNetR02，新数据test数据集 0.8674386633384231

-------------------------------------

GBR 5f-CV: 0.9401 (0.0107)

GBR，train数据集 0.9755252565420509

GBR，test数据集  0.8996646737870632

GBR，新数据test数据集 0.9427855469298937

-------------------------------------

XGBR 5f-CV: 0.9101 (0.0097)

XGBR，train数据集 0.9897386330527567

XGBR，test数据集  0.8868620964266498

-------------------------------------

LGBMR 5f-CV: 0.9273 (0.0098)

LGBMR，train数据集 0.945565822230994

LGBMR，test数据集 0.9016106378522288

LGBMR，新数据test数据集 0.912239659510246

-------------------------------------

AverageModels：LassoR,ElasticNetR,GBR,对基模型进行集成之后的得分：0.9055 (0.0121)

Avg_models，train数据集 0.9212338840029927

Avg_models，test数据集 0.863624230603216

Avg_models，新数据test数据集 0.8975084453268236

-------------------------------------

StackingAverageModels：对基模型进行集成之后的得分：0.9311 (0.0075)

stacked_averaged_model，train数据集 0.9599075263022011

stacked_averaged_model，test数据集 0.889341316554694

stacked_averaged_model，新数据test数据集 0.9325797993358927

采用datetime方法，run time： 0:01:02.191890


C号


C号

当前执行文件： C  

数据集维度： (992, 6)

LassoR 5f-CV: 0.9162 (0.0212)

LassoR02 5f-CV: 0.9394 (0.0170)

LassoR02，train数据集 0.9421471737329558

LassoR02，test数据集  0.9487974269403479

-------------------------------------

KernelRidgeR 5f-CV: 0.9493 (0.0162)

KernelRidgeR，train数据集 0.9540306526082301

KernelRidgeR，test数据集  0.9596055911175015

-------------------------------------

ElasticNetR 5f-CV: 0.8827 (0.0224)

ElasticNetR02 5f-CV: 0.9394 (0.0170)

ElasticNetR02，train数据集 0.9421469155702737

ElasticNetR02，test数据集  0.948805353495871

ElasticNetR02，新数据test数据集 0.8962208077263352

-------------------------------------

GBR 5f-CV: 0.9522 (0.0178)

GBR，train数据集 0.9812404272642893

GBR，test数据集  0.9628921396241023

GBR，新数据test数据集 0.9286964893022183

-------------------------------------

XGBR 5f-CV: 0.9415 (0.0138)

XGBR，train数据集 0.9935321998599262

XGBR，test数据集  0.9428326454095193

-------------------------------------

LGBMR 5f-CV: 0.9490 (0.0138)

LGBMR，train数据集 0.9631366427757451

LGBMR，test数据集 0.9541622027766108

LGBMR，新数据test数据集 0.9235228606241966

-------------------------------------

AverageModels：LassoR,ElasticNetR,GBR,对基模型进行集成之后的得分：0.9345 (0.0177)

Avg_models，train数据集 0.9460855063551356

Avg_models，test数据集 0.9457779219867603

Avg_models，新数据test数据集 0.8446597495667174

-------------------------------------

StackingAverageModels：对基模型进行集成之后的得分：0.9460 (0.0164)

stacked_averaged_model，train数据集 0.9599739253607553

stacked_averaged_model，test数据集 0.9557181998955516

stacked_averaged_model，新数据test数据集 0.8723757365944271

采用datetime方法，run time： 0:01:08.054631


D号


D号

当前执行文件： D

数据集维度： (976, 6)

LassoR 5f-CV: 0.9282 (0.0068)

LassoR02 5f-CV: 0.9461 (0.0061)

LassoR02，train数据集 0.9471148715997768

LassoR02，test数据集  0.9429608871646722

-------------------------------------

KernelRidgeR 5f-CV: 0.9565 (0.0074)

KernelRidgeR，train数据集 0.9598698223204599

KernelRidgeR，test数据集  0.9591428004019469

-------------------------------------

ElasticNetR 5f-CV: 0.8893 (0.0113)

ElasticNetR02 5f-CV: 0.9461 (0.0061)

ElasticNetR02，train数据集 0.9471145971130267

ElasticNetR02，test数据集  0.9429656516481226

ElasticNetR02，新数据test数据集 0.8777321831171115

-------------------------------------

GBR 5f-CV: 0.9663 (0.0075)

GBR，train数据集 0.9918880970087767

GBR，test数据集  0.9658277751143205

GBR，新数据test数据集 0.9352642469253626

-------------------------------------

XGBR 5f-CV: 0.9604 (0.0086)

XGBR，train数据集 0.9944473922887758

XGBR，test数据集  0.955746276336988

-------------------------------------

LGBMR 5f-CV: 0.9553 (0.0100)

LGBMR，train数据集 0.9702793029760722

LGBMR，test数据集 0.9650928908111341

LGBMR，新数据test数据集 0.9020016455510226

-------------------------------------

AverageModels：LassoR,ElasticNetR,GBR,对基模型进行集成之后的得分：0.9456 (0.0074)

Avg_models，train数据集 0.9562357762096392

Avg_models，test数据集 0.9508352738032931

Avg_models，新数据test数据集 0.8901985855607647

-------------------------------------

StackingAverageModels：对基模型进行集成之后的得分：0.9620 (0.0063)

stacked_averaged_model，train数据集 0.9799219877896265

stacked_averaged_model，test数据集 0.9649203326842157

stacked_averaged_model，新数据test数据集 0.9204436346295952

采用datetime方法，run time： 0:01:02.149102


E号


E号

当前执行文件： E

数据集维度： (981, 6)

LassoR 5f-CV: 0.9284 (0.0107)

LassoR02 5f-CV: 0.9640 (0.0083)

LassoR02，train数据集 0.9658976879702919

LassoR02，test数据集  0.9746237435933648

-------------------------------------

KernelRidgeR 5f-CV: 0.9720 (0.0076)

KernelRidgeR，train数据集 0.976488382261757

KernelRidgeR，test数据集  0.9829086884762668

-------------------------------------

ElasticNetR 5f-CV: 0.8831 (0.0137)

ElasticNetR02 5f-CV: 0.9640 (0.0083)

ElasticNetR02，train数据集 0.9658973583247863

ElasticNetR02，test数据集  0.9746148277482753

ElasticNetR02，新数据test数据集 0.8972363606065893

-------------------------------------

GBR 5f-CV: 0.9800 (0.0050)

GBR，train数据集 0.9949604446786614

GBR，test数据集  0.9851938616003065

GBR，新数据test数据集 0.9414241262215136

-------------------------------------

XGBR 5f-CV: 0.9760 (0.0053)

XGBR，train数据集 0.996190501087066

XGBR，test数据集  0.9817664166540716

-------------------------------------

LGBMR 5f-CV: 0.9710 (0.0053)

LGBMR，train数据集 0.9797176065207025

LGBMR，test数据集 0.9809832229901967

LGBMR，新数据test数据集 0.919767401386678

-------------------------------------

AverageModels：LassoR,ElasticNetR,GBR,对基模型进行集成之后的得分：0.9502 (0.0089)

Avg_models，train数据集 0.9580133569841862

Avg_models，test数据集 0.9571445156072284

Avg_models，新数据test数据集 0.9199032589012549

-------------------------------------

StackingAverageModels：对基模型进行集成之后的得分：0.9707 (0.0076)

stacked_averaged_model，train数据集 0.9830711403871105

stacked_averaged_model，test数据集 0.9788245785417383

stacked_averaged_model，新数据test数据集 0.9568397587253009

采用datetime方法，run time： 0:01:03.587847



实现代码


更新……


文章标签：
自动驾驶
关键词：
集成模型
ml集成
集成stacking
集成数据集
集成lassor elasticnetr gbr lgbmr avg
一个处女座的程序猿
目录
相关文章
土木林森
|
16天前
|
机器学习/深度学习 Python
堆叠集成策略的原理、实现方法及Python应用。堆叠通过多层模型组合，先用不同基础模型生成预测，再用元学习器整合这些预测，提升模型性能
本文深入探讨了堆叠集成策略的原理、实现方法及Python应用。堆叠通过多层模型组合，先用不同基础模型生成预测，再用元学习器整合这些预测，提升模型性能。文章详细介绍了堆叠的实现步骤，包括数据准备、基础模型训练、新训练集构建及元学习器训练，并讨论了其优缺点。
土木林森
33 3
土木林森
|
4月前
|
API UED 开发者
如何在Uno Platform中轻松实现流畅动画效果——从基础到优化，全方位打造用户友好的动态交互体验！
【8月更文挑战第31天】在开发跨平台应用时，确保用户界面流畅且具吸引力至关重要。Uno Platform 作为多端统一的开发框架，不仅支持跨系统应用开发，还能通过优化实现流畅动画，增强用户体验。本文探讨了Uno Platform中实现流畅动画的多个方面，包括动画基础、性能优化、实践技巧及问题排查，帮助开发者掌握具体优化策略，提升应用质量与用户满意度。通过合理利用故事板、减少布局复杂性、使用硬件加速等技术，结合异步方法与预设缓存技巧，开发者能够创建美观且流畅的动画效果。
土木林森
88 0
土木林森
|
4月前
|
开发者 算法 虚拟化
惊爆！Uno Platform 调试与性能分析终极攻略，从工具运用到代码优化，带你攻克开发难题成就完美应用
【8月更文挑战第31天】在 Uno Platform 中，调试可通过 Visual Studio 设置断点和逐步执行代码实现，同时浏览器开发者工具有助于 Web 版本调试。性能分析则利用 Visual Studio 的性能分析器检查 CPU 和内存使用情况，还可通过记录时间戳进行简单分析。优化性能涉及代码逻辑优化、资源管理和用户界面简化，综合利用平台提供的工具和技术，确保应用高效稳定运行。
土木林森
87 0
BetterBench
|
4月前
|
机器学习/深度学习
【机器学习】模型融合Ensemble和集成学习Stacking的实现
文章介绍了使用mlxtend和lightgbm库中的分类器，如EnsembleVoteClassifier和StackingClassifier，以及sklearn库中的SVC、KNeighborsClassifier等进行模型集成的方法。
BetterBench
60 1
郑小健
|
4月前
|
存储 人工智能 关系型数据库
PolarDB 与 AI/ML 集成的应用案例
【8月更文第27天】随着大数据和人工智能技术的发展，越来越多的企业开始探索将关系型数据库与 AI/ML 技术相结合的方式，以提高数据分析效率和业务智能化水平。阿里云的 PolarDB 是一款高性能的关系型数据库服务，支持多种数据库引擎，如 MySQL、PostgreSQL 和 Oracle。通过与阿里云的其他 AI/ML 服务集成，PolarDB 能够为企业提供端到端的数据处理和分析解决方案。
郑小健
138 0
泥腿子架构师
|
5月前
|
机器学习/深度学习 分布式计算 算法
Java中的机器学习模型集成与训练实践
Java中的机器学习模型集成与训练实践
泥腿子架构师
59 1
泥腿子架构师
|
6月前
|
机器学习/深度学习 人工智能 Java
Java与AI集成开发：机器学习模型部署
Java与AI集成开发：机器学习模型部署
泥腿子架构师
141 1
郑小健
|
5月前
|
机器学习/深度学习 数据采集 TensorFlow
深度学习与传统模型的桥梁：Sklearn与Keras的集成应用
【7月更文第24天】在机器学习领域，Scikit-learn（Sklearn）作为经典的传统机器学习库，以其丰富的预处理工具、模型选择和评估方法而闻名；而Keras作为深度学习领域的明星框架，以其简洁易用的API，支持快速构建和实验复杂的神经网络模型。将这两者结合起来，可以实现从传统机器学习到深度学习的无缝过渡，充分发挥各自的优势，打造更强大、更灵活的解决方案。本文将探讨Sklearn与Keras的集成应用，通过实例展示如何在Sklearn的生态系统中嵌入Keras模型，实现模型的训练、评估与优化。
郑小健
130 0
richard_yuu
|
6月前
|
机器学习/深度学习 人工智能 自然语言处理
【机器学习】集成语音与大型语音模型等安全边界探索
【机器学习】集成语音与大型语音模型等安全边界探索
richard_yuu
272 5
小空门123-30335
|
5月前
|
机器学习/深度学习 PyTorch TensorFlow
在深度学习中，数据增强是一种常用的技术，用于通过增加训练数据的多样性来提高模型的泛化能力。`albumentations`是一个强大的Python库，用于图像增强，支持多种图像变换操作，并且可以与深度学习框架（如PyTorch、TensorFlow等）无缝集成。
在深度学习中，数据增强是一种常用的技术，用于通过增加训练数据的多样性来提高模型的泛化能力。`albumentations`是一个强大的Python库，用于图像增强，支持多种图像变换操作，并且可以与深度学习框架（如PyTorch、TensorFlow等）无缝集成。
小空门123-30335
111 0

热门文章

最新文章

  • 1
    丰富、连接、待集成—MaxCompute 生态再出发
  • 2
    使用阿里云容器服务Jenkins 2.0实现持续集成之the tag you want篇(updated on 2017.09.06)
  • 3
    IOS快速集成下拉上拉刷新
  • 4
    开源跨平台IOT通讯框架ServerSuperIO，集成到NuGet程序包管理器，以及Demo使用说明
  • 5
    YOLOU 集成超轻量化 YOLO 系列模型YOLO-Fastest v2，ONNX一键导出部署！
  • 6
    SpringBoot集成OAuth2.0的四种授权方式
  • 7
    乐视移动直播的集成
  • 8
    云粒智慧获得阿里云产品生态集成认证，合力服务政企市场
  • 9
    使用WebService与Oracle EBS进行集成(下)
  • 10
    MyBatis快速入门（四） MyBatis和Spring集成
  • 1
    深入探索软件测试中的持续集成与持续部署（CI/CD）实践
    101
  • 2
    探索自动化测试在持续集成环境中的关键作用
    40
  • 3
    K8S+Docker理论与实践深度集成java面试jvm原理
    84
  • 4
    ATFNet：长时间序列预测的自适应时频集成网络
    257
  • 5
    Android mk 集成app
    58
  • 6
    发票查验,发票采集,免验证码,批量查验,系统集成,代码分享之一
    166
  • 7
    构建高效自动化运维体系：基于容器技术的持续集成与持续部署（CI/CD）实践
    112
  • 8
    打造高效移动办公环境：Android与iOS平台的集成策略
    83
  • 9
    构建高效自动化运维系统：基于容器技术的持续集成与持续部署（CI/CD）实践
    180
  • 10
    Next.js 的服务器端渲染框架集成
    55

    • 相关课程

    更多
  • 事件总线EventBridge生态集成课程
  • 消息队列 RocketMQ 消息集成
  • 机器学习基础与回归算法
  • 场景实践 - 基于阿里云PAI机器学习平台使用时间序列分解模型预测商品销量
  • 机器学习集成学习与模型融合
  • 神经网络概览及算法详解

    • 相关电子书

    更多
  • 阿里邮箱—安全高效集成
  • 集成智能接入网关APP：优化企业级移动办公网络
  • 云效助力企业集成安全到DevOps中

    • 相关实验场景

    更多
  • 如何快速训练大模型
  • 使用PAI+LLaMA Factory微调Qwen2-VL模型，搭建文旅领域知识问答机器人
  • 函数计算部署PuLID for FLUX人像写真实现换脸效果
  • AI克隆声音，基于函数计算部署GPT-Sovits语音生成模型
  • 函数计算一键部署AI大语言模型并会话
  • 使用PAI-快速开始，低代码实现大语言模型微调和部署
    • 下一篇
    阿里云对象存储OSS收费标准：存储、流量和请求等多个计费项详解