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
任务调度 XXL-JOB 版免费试用,400 元额度,开发版规格
服务治理 MSE Sentinel/OpenSergo,Agent数量 不受限
注册配置 MSE Nacos/ZooKeeper,182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(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]


相关文章
|
1月前
|
机器学习/深度学习 人工智能 JSON
微软rStar2-Agent:新的GRPO-RoC算法让14B模型在复杂推理时超越了前沿大模型
Microsoft Research最新推出的rStar2-Agent在AIME24数学基准测试中以80.6%的准确率超越超大规模模型DeepSeek-R1,展现“思考更聪明”而非“更长”的AI推理新方向。
109 8
微软rStar2-Agent:新的GRPO-RoC算法让14B模型在复杂推理时超越了前沿大模型
|
18天前
|
机器学习/深度学习 并行计算 算法
【CPOBP-NSWOA】基于豪冠猪优化BP神经网络模型的多目标鲸鱼寻优算法研究(Matlab代码实现)
【CPOBP-NSWOA】基于豪冠猪优化BP神经网络模型的多目标鲸鱼寻优算法研究(Matlab代码实现)
|
18天前
|
机器学习/深度学习 资源调度 算法
遗传算法模型深度解析与实战应用
摘要 遗传算法(GA)作为一种受生物进化启发的优化算法,在复杂问题求解中展现出独特优势。本文系统介绍了GA的核心理论、实现细节和应用经验。算法通过模拟自然选择机制,利用选择、交叉、变异三大操作在解空间中进行全局搜索。与梯度下降等传统方法相比,GA不依赖目标函数的连续性或可微性,特别适合处理离散优化、多目标优化等复杂问题。文中详细阐述了染色体编码、适应度函数设计、遗传操作实现等关键技术,并提供了Python代码实现示例。实践表明,GA的成功应用关键在于平衡探索与开发,通过精心调参维持种群多样性同时确保收敛效率
|
18天前
|
机器学习/深度学习 边缘计算 人工智能
粒子群算法模型深度解析与实战应用
蒋星熠Jaxonic是一位深耕智能优化算法领域多年的技术探索者,专注于粒子群优化(PSO)算法的研究与应用。他深入剖析了PSO的数学模型、核心公式及实现方法,并通过大量实践验证了其在神经网络优化、工程设计等复杂问题上的卓越性能。本文全面展示了PSO的理论基础、改进策略与前沿发展方向,为读者提供了一份详尽的技术指南。
粒子群算法模型深度解析与实战应用
|
18天前
|
机器学习/深度学习 运维 算法
基于粒子群优化算法的配电网光伏储能双层优化配置模型[IEEE33节点](选址定容)(Matlab代码实现)
基于粒子群优化算法的配电网光伏储能双层优化配置模型[IEEE33节点](选址定容)(Matlab代码实现)
|
2月前
|
传感器 算法 定位技术
KF,EKF,IEKF 算法的基本原理并构建推导出四轮前驱自主移动机器人的运动学模型和观测模型(Matlab代码实现)
KF,EKF,IEKF 算法的基本原理并构建推导出四轮前驱自主移动机器人的运动学模型和观测模型(Matlab代码实现)
|
18天前
|
机器学习/深度学习 存储 算法
基于模型预测算法的混合储能微电网双层能量管理系统研究(Matlab代码实现)
基于模型预测算法的混合储能微电网双层能量管理系统研究(Matlab代码实现)
|
3月前
|
机器学习/深度学习 人工智能 自然语言处理
深度学习模型、算法与应用的全方位解析
深度学习,作为人工智能(AI)的一个重要分支,已经在多个领域产生了革命性的影响。从图像识别到自然语言处理,从语音识别到自动驾驶,深度学习无处不在。本篇博客将深入探讨深度学习的模型、算法及其在各个领域的应用。
483 3
|
4月前
|
算法
基于RMD算法模型的信号传输统计特性的matlab模拟仿真
本项目基于RMD(Random Midpoint Displacement)算法模型,使用MATLAB 2022A进行信号传输统计特性的模拟仿真。通过递归在区间中点加入随机位移,生成具有自相似性和长相关性的随机信号,实现了文中多个仿真图,并提供操作视频与中文注释代码。RMD模型生成的信号均值为零,方差无穷大,具备低误码率、强抗干扰能力及高传输效率等优势,为现代通信系统提供了新思路。
|
5月前
|
人工智能 自然语言处理 算法
算法及模型合规:刻不容缓的企业行动指南
随着AI技术迅猛发展,算法与模型成为企业数字化转型的核心。然而,国家密集出台多项法规,如《人工智能生成合成内容标识办法》等,并开展“清朗·整治AI技术滥用”专项行动,标志着AI监管进入严格阶段。算法备案从“可选项”变为“必选项”,未合规可能面临罚款甚至刑事责任。同时,多地提供备案奖励政策,合规既是规避风险的需要,也是把握政策红利和市场信任的机遇。企业需系统规划合规工作,从被动应对转向主动引领,以适应AI时代的挑战与机遇。

热门文章

最新文章