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(三)

本文涉及的产品
服务治理 MSE Sentinel/OpenSergo,Agent数量 不受限
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(三)

5、LGBMR

image.png


image.png


image.png




LGBMR-0.001

LGBMR-0.001 Score value: 0.16876197122096692

LGBMR-0.001 R2    value: 0.16876197122096692

LGBMR-0.001 MAE   value: 0.09046580583395379

LGBMR-0.001 MSE   value: 0.013109911269309412

LGBMR-0.005

LGBMR-0.005 Score value: 0.600585544258686

LGBMR-0.005 R2    value: 0.600585544258686

LGBMR-0.005 MAE   value: 0.062265161731615705

LGBMR-0.005 MSE   value: 0.006299384644539756

LGBMR-0.01

LGBMR-0.01 Score value: 0.8337825446742081

LGBMR-0.01 R2    value: 0.8337825446742081

LGBMR-0.01 MAE   value: 0.0391266729122725

LGBMR-0.01 MSE   value: 0.0026215067348787035

LGBMR-0.05

LGBMR-0.05 Score value: 0.9913041321780923

LGBMR-0.05 R2    value: 0.9913041321780923

LGBMR-0.05 MAE   value: 0.005162800605481635

LGBMR-0.05 MSE   value: 0.0001371473051134398

LGBMR-0.1

LGBMR-0.1 Score value: 0.9930306170725406

LGBMR-0.1 R2    value: 0.9930306170725406

LGBMR-0.1 MAE   value: 0.004702627111296393

LGBMR-0.1 MSE   value: 0.00010991796406985765

LGBMR-0.3

LGBMR-0.3 Score value: 0.9943329790691453

LGBMR-0.3 R2    value: 0.9943329790691453

LGBMR-0.3 MAE   value: 0.004947701938557634

LGBMR-0.3 MSE   value: 8.937769807518515e-05

LGBMR-0.5

LGBMR-0.5 Score value: 0.9923225863703856

LGBMR-0.5 R2    value: 0.9923225863703856

LGBMR-0.5 MAE   value: 0.006078772753272445

LGBMR-0.5 MSE   value: 0.00012108470495493492

LGBMR-0.8

LGBMR-0.8 Score value: 0.9850122706624084

LGBMR-0.8 R2    value: 0.9850122706624084

LGBMR-0.8 MAE   value: 0.008351662282985653

LGBMR-0.8 MSE   value: 0.00023637970706521245

[0.16876197122096692, 0.600585544258686, 0.8337825446742081, 0.9913041321780923, 0.9930306170725406, 0.9943329790691453, 0.9923225863703856, 0.9850122706624084]


6、XGBR

image.pngimage.png



image.png



XGBR-0.001

XGBR-0.001 Score value: -166.74203034694682

XGBR-0.001 R2    value: -166.74203034694682

XGBR-0.001 MAE   value: 1.6222131885073523

XGBR-0.001 MSE   value: 2.6455516444698888

XGBR-0.005

XGBR-0.005 Score value: -74.51589484580421

XGBR-0.005 R2    value: -74.51589484580421

XGBR-0.005 MAE   value: 1.0873952054959475

XGBR-0.005 MSE   value: 1.1910026329102963

XGBR-0.01

XGBR-0.01 Score value: -26.747645189967315

XGBR-0.01 R2    value: -26.747645189967315

XGBR-0.01 MAE   value: 0.6580440584800581

XGBR-0.01 MSE   value: 0.43762334467189284

XGBR-0.05

XGBR-0.05 Score value: 0.9828950831664092

XGBR-0.05 R2    value: 0.9828950831664092

XGBR-0.05 MAE   value: 0.013051145715410249

XGBR-0.05 MSE   value: 0.0002697710333184286

XGBR-0.1

XGBR-0.1 Score value: 0.9957552489177933

XGBR-0.1 R2    value: 0.9957552489177933

XGBR-0.1 MAE   value: 0.006227088292841316

XGBR-0.1 MSE   value: 6.694629952117871e-05

XGBR-0.3

XGBR-0.3 Score value: 0.9921237303622439

XGBR-0.3 R2    value: 0.9921237303622439

XGBR-0.3 MAE   value: 0.008735198405534918

XGBR-0.3 MSE   value: 0.00012422097222357384

[-166.74203034694682, -74.51589484580421, -26.747645189967315, 0.9828950831664092, 0.9957552489177933, 0.9921237303622439]


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
|
1天前
|
机器学习/深度学习 人工智能 算法
高性价比发文典范——101种机器学习算法组合革新骨肉瘤预后模型
随着高通量测序技术的飞速发展和多组学分析的广泛应用,科研人员在探索生物学奥秘时经常遇到一个令人又爱又恼的问题:如何从浩如烟海的数据中挖掘出潜在的疾病关联靶点?又如何构建一个全面而有效的诊断或预后模型?只有通过优雅的数据挖掘、精致的结果展示、深入的讨论分析,并且辅以充分的湿实验验证,我们才能锻造出一篇兼具深度与广度的“干湿结合”佳作。
12 0
高性价比发文典范——101种机器学习算法组合革新骨肉瘤预后模型
|
3天前
|
算法 调度
考虑需求响应的微网优化调度模型【粒子群算法】【matlab】
考虑需求响应的微网优化调度模型【粒子群算法】【matlab】
|
3天前
|
算法 调度
【免费】基于模型预测算法的含储能微网双层能量管理模型(MATLAB)
【免费】基于模型预测算法的含储能微网双层能量管理模型(MATLAB)
|
5天前
|
机器学习/深度学习 自然语言处理 算法
Python遗传算法GA对长短期记忆LSTM深度学习模型超参数调优分析司机数据|附数据代码
Python遗传算法GA对长短期记忆LSTM深度学习模型超参数调优分析司机数据|附数据代码
|
5天前
|
算法 搜索推荐
R语言混合SVD模型IBCF协同过滤推荐算法研究——以母婴购物平台为例
R语言混合SVD模型IBCF协同过滤推荐算法研究——以母婴购物平台为例
|
8天前
|
人工智能 算法 测试技术
论文介绍:进化算法优化模型融合策略
【5月更文挑战第3天】《进化算法优化模型融合策略》论文提出使用进化算法自动化创建和优化大型语言模型,通过模型融合提升性能并减少资源消耗。实验显示,这种方法在多种基准测试中取得先进性能,尤其在无特定任务训练情况下仍能超越参数更多模型。同时,该技术成功应用于创建具有文化意识的日语视觉-语言模型。然而,模型融合可能产生逻辑不连贯响应和准确性问题,未来工作将聚焦于图像扩散模型、自动源模型选择及生成自我改进的模型群体。[论文链接: https://arxiv.org/pdf/2403.13187.pdf]
111 1
|
13天前
|
算法 数据可视化 前端开发
r语言有限正态混合模型EM算法的分层聚类、分类和密度估计及可视化(下)
r语言有限正态混合模型EM算法的分层聚类、分类和密度估计及可视化
|
13天前
|
算法 数据可视化 数据挖掘
r语言有限正态混合模型EM算法的分层聚类、分类和密度估计及可视化(上)
r语言有限正态混合模型EM算法的分层聚类、分类和密度估计及可视化
|
13天前
|
机器学习/深度学习 人工智能 运维
人工智能平台PAI 操作报错合集之请问Alink的算法中的序列异常检测组件,是对数据进行分组后分别在每个组中执行异常检测,而不是将数据看作时序数据进行异常检测吧
阿里云人工智能平台PAI (Platform for Artificial Intelligence) 是阿里云推出的一套全面、易用的机器学习和深度学习平台,旨在帮助企业、开发者和数据科学家快速构建、训练、部署和管理人工智能模型。在使用阿里云人工智能平台PAI进行操作时,可能会遇到各种类型的错误。以下列举了一些常见的报错情况及其可能的原因和解决方法。
|
14天前
|
机器学习/深度学习 数据采集 算法
构建高效机器学习模型:从数据处理到算法优化
【4月更文挑战第28天】在数据驱动的时代,构建一个高效的机器学习模型是实现智能决策和预测的关键。本文将深入探讨如何通过精确的数据预处理、选择合适的学习算法以及进行细致的参数调优来提升模型的性能。我们将介绍一系列实用的技术和策略,包括特征工程、模型评估、超参数调整以及使用集成学习方法来增强模型的泛化能力。通过这些方法,读者将能够更好地理解并应用机器学习技术来解决实际问题。