ML之回归预测:利用多个算法模型(LassoR、KernelRidgeR、ElasticNetR、GBR、LGBMR、XGBR)对国内某平台上海2020年6月份房价数据集【12+1】进行回归预测(二)

本文涉及的产品
服务治理 MSE Sentinel/OpenSergo,Agent数量 不受限
云原生网关 MSE Higress,422元/月
注册配置 MSE Nacos/ZooKeeper,118元/月
简介: ML之回归预测:利用多个算法模型(LassoR、KernelRidgeR、ElasticNetR、GBR、LGBMR、XGBR)对国内某平台上海2020年6月份房价数据集【12+1】进行回归预测(二)

3、ElasticNetR

image.png


image.pngimage.png




ElasticNetR-0.5 Score value: -0.0005308426992141069

ElasticNetR-0.5 R2    value: -0.0005308426992141069

ElasticNetR-0.5 MAE   value: 0.09940889668350568

ElasticNetR-0.5 MSE   value: 0.015779921172832806

ElasticNetR-0.05 Score value: 0.5909997356551588

ElasticNetR-0.05 R2    value: 0.5909997356551588

ElasticNetR-0.05 MAE   value: 0.06384977771594441

ElasticNetR-0.05 MSE   value: 0.006450567694263088

ElasticNetR-0.01 Score value: 0.9722470175744828

ElasticNetR-0.01 R2    value: 0.9722470175744828

ElasticNetR-0.01 MAE   value: 0.01621461543934733

ElasticNetR-0.01 MSE   value: 0.00043770752114368465

ElasticNetR-0.005 Score value: 0.9846441765684218

ElasticNetR-0.005 R2    value: 0.9846441765684218

ElasticNetR-0.005 MAE   value: 0.01189698639426006

ElasticNetR-0.005 MSE   value: 0.00024218512109085247

ElasticNetR-0.001 Score value: 0.9902182047362088

ElasticNetR-0.001 R2    value: 0.9902182047362088

ElasticNetR-0.001 MAE   value: 0.00886838381299399

ElasticNetR-0.001 MSE   value: 0.00015427406293142925

ElasticNetR-0.0001 Score value: 0.9942704213728978

ElasticNetR-0.0001 R2    value: 0.9942704213728978

ElasticNetR-0.0001 MAE   value: 0.006695706278914398

ElasticNetR-0.0001 MSE   value: 9.036432984445262e-05

[-0.0005308426992141069, 0.5909997356551588, 0.9722470175744828, 0.9846441765684218, 0.9902182047362088, 0.9942704213728978]


4、GBR

image.png

image.png

image.png






GBR-1

GBR-1 Score value: 0.9763666115566574

GBR-1 R2    value: 0.9763666115566574

GBR-1 MAE   value: 0.012052516368497329

GBR-1 MSE   value: 0.00037273514295350755

GBR-2

GBR-2 Score value: 0.9926847727617255

GBR-2 R2    value: 0.9926847727617255

GBR-2 MAE   value: 0.008012779193494083

GBR-2 MSE   value: 0.0001153724645508341

GBR-3

GBR-3 Score value: 0.9958318342325574

GBR-3 R2    value: 0.9958318342325574

GBR-3 MAE   value: 0.005714597302721484

GBR-3 MSE   value: 6.573843047966691e-05

GBR-4

GBR-4 Score value: 0.9958185134836749

GBR-4 R2    value: 0.9958185134836749

GBR-4 MAE   value: 0.004795477929089135

GBR-4 MSE   value: 6.594851932286696e-05

GBR-5

GBR-5 Score value: 0.9936308502387022

GBR-5 R2    value: 0.9936308502387022

GBR-5 MAE   value: 0.004648655284013917

GBR-5 MSE   value: 0.00010045135730159553

GBR-6

GBR-6 Score value: 0.9928564661943613

GBR-6 R2    value: 0.9928564661943613

GBR-6 MAE   value: 0.004401292926689321

GBR-6 MSE   value: 0.00011266459317169972

GBR-7

GBR-7 Score value: 0.9902977868325656

GBR-7 R2    value: 0.9902977868325656

GBR-7 MAE   value: 0.004428399093689221

GBR-7 MSE   value: 0.0001530189300023011

GBR-8

GBR-8 Score value: 0.9869749160018195

GBR-8 R2    value: 0.9869749160018195

GBR-8 MAE   value: 0.004718971897735163

GBR-8 MSE   value: 0.00020542575000119555

GBR-9

GBR-9 Score value: 0.9853247317034755

GBR-9 R2    value: 0.9853247317034755

GBR-9 MAE   value: 0.0050509572638206945

GBR-9 MSE   value: 0.00023145171245755048

GBR-10

GBR-10 Score value: 0.9838819868698998

GBR-10 R2    value: 0.9838819868698998

GBR-10 MAE   value: 0.005661280988227483

GBR-10 MSE   value: 0.000254206033238824

GBR-11

GBR-11 Score value: 0.9830335256911121

GBR-11 R2    value: 0.9830335256911121

GBR-11 MAE   value: 0.006145980498176065

GBR-11 MSE   value: 0.0002675875802617618

[0.9763666115566574, 0.9926847727617255, 0.9958318342325574, 0.9958185134836749, 0.9936308502387022, 0.9928564661943613, 0.9902977868325656, 0.9869749160018195, 0.9853247317034755, 0.9838819868698998, 0.9830335256911121]



相关实践学习
基于MSE实现微服务的全链路灰度
通过本场景的实验操作,您将了解并实现在线业务的微服务全链路灰度能力。
相关文章
|
14天前
|
机器学习/深度学习 人工智能 算法
鸟类识别系统Python+卷积神经网络算法+深度学习+人工智能+TensorFlow+ResNet50算法模型+图像识别
鸟类识别系统。本系统采用Python作为主要开发语言,通过使用加利福利亚大学开源的200种鸟类图像作为数据集。使用TensorFlow搭建ResNet50卷积神经网络算法模型,然后进行模型的迭代训练,得到一个识别精度较高的模型,然后在保存为本地的H5格式文件。在使用Django开发Web网页端操作界面,实现用户上传一张鸟类图像,识别其名称。
60 12
鸟类识别系统Python+卷积神经网络算法+深度学习+人工智能+TensorFlow+ResNet50算法模型+图像识别
|
10天前
|
机器学习/深度学习 人工智能 算法
【新闻文本分类识别系统】Python+卷积神经网络算法+人工智能+深度学习+计算机毕设项目+Django网页界面平台
文本分类识别系统。本系统使用Python作为主要开发语言,首先收集了10种中文文本数据集("体育类", "财经类", "房产类", "家居类", "教育类", "科技类", "时尚类", "时政类", "游戏类", "娱乐类"),然后基于TensorFlow搭建CNN卷积神经网络算法模型。通过对数据集进行多轮迭代训练,最后得到一个识别精度较高的模型,并保存为本地的h5格式。然后使用Django开发Web网页端操作界面,实现用户上传一段文本识别其所属的类别。
22 1
【新闻文本分类识别系统】Python+卷积神经网络算法+人工智能+深度学习+计算机毕设项目+Django网页界面平台
|
10天前
|
机器学习/深度学习 人工智能 算法
【果蔬识别系统】Python+卷积神经网络算法+人工智能+深度学习+计算机毕设项目+Django网页界面平台
【果蔬识别系统】Python+卷积神经网络算法+人工智能+深度学习+计算机毕设项目+Django网页界面平台。果蔬识别系统,本系统使用Python作为主要开发语言,通过收集了12种常见的水果和蔬菜('土豆', '圣女果', '大白菜', '大葱', '梨', '胡萝卜', '芒果', '苹果', '西红柿', '韭菜', '香蕉', '黄瓜'),然后基于TensorFlow库搭建CNN卷积神经网络算法模型,然后对数据集进行训练,最后得到一个识别精度较高的算法模型,然后将其保存为h5格式的本地文件方便后期调用。再使用Django框架搭建Web网页平台操作界面,实现用户上传一张果蔬图片识别其名称。
29 0
【果蔬识别系统】Python+卷积神经网络算法+人工智能+深度学习+计算机毕设项目+Django网页界面平台
|
1月前
|
存储 自然语言处理 算法
【算法精讲系列】MGTE系列模型,RAG实施中的重要模型
检索增强生成(RAG)结合检索与生成技术,利用外部知识库提升大模型的回答准确性与丰富性。RAG的关键组件包括文本表示模型和排序模型,前者计算文本向量表示,后者进行精细排序。阿里巴巴通义实验室推出的GTE-Multilingual系列模型,具备高性能、长文档支持、多语言处理及弹性向量表示等特性,显著提升了RAG系统的检索与排序效果。该系列模型已在多个数据集上展示出优越性能,并支持多语言和长文本处理,适用于各种复杂应用场景。
|
1月前
|
自然语言处理 监控 算法
【算法精讲系列】通义模型Prompt调优的实用技巧与经验分享
本文详细阐述了Prompt的设计要素,包括引导语、上下文信息等,还介绍了多种Prompt编写策略,如复杂规则拆分、关键信息冗余、使用分隔符等,旨在提高模型输出的质量和准确性。通过不断尝试、调整和优化,可逐步实现更优的Prompt设计。
|
1月前
|
算法
基于SIR模型的疫情发展趋势预测算法matlab仿真
该程序基于SIR模型预测疫情发展趋势,通过MATLAB 2022a版实现病例增长拟合分析,比较疫情防控力度。使用SIR微分方程模型拟合疫情发展过程,优化参数并求解微分方程组以预测易感者(S)、感染者(I)和移除者(R)的数量变化。![]该模型将总人群分为S、I、R三部分,通过解析或数值求解微分方程组预测疫情趋势。
|
1月前
|
机器学习/深度学习 数据采集 存储
一文读懂蒙特卡洛算法:从概率模拟到机器学习模型优化的全方位解析
蒙特卡洛方法起源于1945年科学家斯坦尼斯劳·乌拉姆对纸牌游戏中概率问题的思考,与约翰·冯·诺依曼共同奠定了该方法的理论基础。该方法通过模拟大量随机场景来近似复杂问题的解,因命名灵感源自蒙特卡洛赌场。如今,蒙特卡洛方法广泛应用于机器学习领域,尤其在超参数调优、贝叶斯滤波等方面表现出色。通过随机采样超参数空间,蒙特卡洛方法能够高效地找到优质组合,适用于处理高维度、非线性问题。本文通过实例展示了蒙特卡洛方法在估算圆周率π和优化机器学习模型中的应用,并对比了其与网格搜索方法的性能。
165 1
|
2月前
|
存储 SQL 消息中间件
B端算法实践问题之设计一套实时平台能力如何解决
B端算法实践问题之设计一套实时平台能力如何解决
28 1
|
2月前
|
机器学习/深度学习 自然语言处理 负载均衡
揭秘混合专家(MoE)模型的神秘面纱:算法、系统和应用三大视角全面解析,带你领略深度学习领域的前沿技术!
【8月更文挑战第19天】在深度学习领域,混合专家(Mixture of Experts, MoE)模型通过整合多个小型专家网络的输出以实现高性能。从算法视角,MoE利用门控网络分配输入至专家网络,并通过组合机制集成输出。系统视角下,MoE需考虑并行化、通信开销及负载均衡等优化策略。在应用层面,MoE已成功应用于Google的BERT模型、Facebook的推荐系统及Microsoft的语音识别系统等多个场景。这是一种强有力的工具,能够解决复杂问题并提升效率。
55 2
|
2月前
|
算法 语音技术
支付宝商业化广告算法问题之在ODL模型优化过程中,采取什么策略来提高模型的泛化能力呢
支付宝商业化广告算法问题之在ODL模型优化过程中,采取什么策略来提高模型的泛化能力呢
下一篇
无影云桌面