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

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


目录

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

A号

B号

C号

D号

E号

实现代码


 

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

 

A号

1. 采用
2. A号
3. 当前执行文件: A
4. 数据集维度: (976, 6)
5. LassoR 5f-CV: 0.4462 (0.0563)
6. LassoR02 5f-CV: 0.5456 (0.0715)
7. LassoR02,train数据集 0.5526179336472097
8. LassoR02,test数据集  0.6732089198088576
9. -------------------------------------
10. KernelRidgeR 5f-CV: 0.6642 (0.0730)
11. KernelRidgeR,train数据集 0.6805860822980461
12. KernelRidgeR,test数据集  0.7405846022727811
13. -------------------------------------
14. ElasticNetR 5f-CV: 0.4462 (0.0569)
15. ElasticNetR02 5f-CV: 0.5456 (0.0715)
16. ElasticNetR02,train数据集 0.5526178479012465
17. ElasticNetR02,test数据集  0.6731992550553381
18. ElasticNetR02,新数据test数据集 -0.3208470395653842
19. -------------------------------------
20. GBR 5f-CV: 0.7282 (0.0836)
21. GBR,train数据集 0.8345981026354394
22. GBR,test数据集  0.8836426919685801
23. GBR,新数据test数据集 0.5423980510823256
24. -------------------------------------
25. XGBR 5f-CV: 0.5968 (0.1598)
26. XGBR,train数据集 0.9498792703466663
27. XGBR,test数据集  0.5294274976732699
28. -------------------------------------
29. LGBMR 5f-CV: 0.6800 (0.0813)
30. LGBMR,train数据集 0.752736654063432
31. LGBMR,test数据集 0.8351338223270363
32. LGBMR,新数据test数据集 0.13807006975794722
33. -------------------------------------
34. AverageModels:LassoR,ElasticNetR,GBR,对基模型进行集成之后的得分:0.6125 (0.0745)
35. Avg_models,train数据集 0.6522572454986824
36. Avg_models,test数据集 0.7573889394793365
37. Avg_models,新数据test数据集 0.28916724655645554
38. -------------------------------------
39. StackingAverageModels:对基模型进行集成之后的得分:0.7343 (0.0869)
40. stacked_averaged_model,train数据集 0.8151478562063295
41. stacked_averaged_model,test数据集 0.88386196685559
42. stacked_averaged_model,新数据test数据集 0.5691878150702203
43. 采用datetime方法,run time: 0:01:01.575381

 

B号

1. B号
2. 
3. 当前执行文件: B
4. 数据集维度: (976, 6)
5. LassoR 5f-CV: 0.8682 (0.0181)
6. LassoR02 5f-CV: 0.9002 (0.0174)
7. LassoR02,train数据集 0.9044985042907371
8. LassoR02,test数据集  0.8673000279695428
9. -------------------------------------
10. KernelRidgeR 5f-CV: 0.9258 (0.0078)
11. KernelRidgeR,train数据集 0.9315871006958186
12. KernelRidgeR,test数据集  0.8942765729762692
13. -------------------------------------
14. ElasticNetR 5f-CV: 0.8347 (0.0172)
15. ElasticNetR02 5f-CV: 0.9002 (0.0174)
16. ElasticNetR02,train数据集 0.9044982115579915
17. ElasticNetR02,test数据集  0.8672996184647543
18. ElasticNetR02,新数据test数据集 0.8674386633384231
19. -------------------------------------
20. GBR 5f-CV: 0.9401 (0.0107)
21. GBR,train数据集 0.9755252565420509
22. GBR,test数据集  0.8996646737870632
23. GBR,新数据test数据集 0.9427855469298937
24. -------------------------------------
25. XGBR 5f-CV: 0.9101 (0.0097)
26. XGBR,train数据集 0.9897386330527567
27. XGBR,test数据集  0.8868620964266498
28. -------------------------------------
29. LGBMR 5f-CV: 0.9273 (0.0098)
30. LGBMR,train数据集 0.945565822230994
31. LGBMR,test数据集 0.9016106378522288
32. LGBMR,新数据test数据集 0.912239659510246
33. -------------------------------------
34. AverageModels:LassoR,ElasticNetR,GBR,对基模型进行集成之后的得分:0.9055 (0.0121)
35. Avg_models,train数据集 0.9212338840029927
36. Avg_models,test数据集 0.863624230603216
37. Avg_models,新数据test数据集 0.8975084453268236
38. -------------------------------------
39. StackingAverageModels:对基模型进行集成之后的得分:0.9311 (0.0075)
40. stacked_averaged_model,train数据集 0.9599075263022011
41. stacked_averaged_model,test数据集 0.889341316554694
42. stacked_averaged_model,新数据test数据集 0.9325797993358927
43. 采用datetime方法,run time: 0:01:02.191890

 

C号

1. C号
2. 当前执行文件: C  
3. 数据集维度: (992, 6)
4. LassoR 5f-CV: 0.9162 (0.0212)
5. LassoR02 5f-CV: 0.9394 (0.0170)
6. LassoR02,train数据集 0.9421471737329558
7. LassoR02,test数据集  0.9487974269403479
8. -------------------------------------
9. KernelRidgeR 5f-CV: 0.9493 (0.0162)
10. KernelRidgeR,train数据集 0.9540306526082301
11. KernelRidgeR,test数据集  0.9596055911175015
12. -------------------------------------
13. ElasticNetR 5f-CV: 0.8827 (0.0224)
14. ElasticNetR02 5f-CV: 0.9394 (0.0170)
15. ElasticNetR02,train数据集 0.9421469155702737
16. ElasticNetR02,test数据集  0.948805353495871
17. ElasticNetR02,新数据test数据集 0.8962208077263352
18. -------------------------------------
19. GBR 5f-CV: 0.9522 (0.0178)
20. GBR,train数据集 0.9812404272642893
21. GBR,test数据集  0.9628921396241023
22. GBR,新数据test数据集 0.9286964893022183
23. -------------------------------------
24. XGBR 5f-CV: 0.9415 (0.0138)
25. XGBR,train数据集 0.9935321998599262
26. XGBR,test数据集  0.9428326454095193
27. -------------------------------------
28. LGBMR 5f-CV: 0.9490 (0.0138)
29. LGBMR,train数据集 0.9631366427757451
30. LGBMR,test数据集 0.9541622027766108
31. LGBMR,新数据test数据集 0.9235228606241966
32. -------------------------------------
33. AverageModels:LassoR,ElasticNetR,GBR,对基模型进行集成之后的得分:0.9345 (0.0177)
34. Avg_models,train数据集 0.9460855063551356
35. Avg_models,test数据集 0.9457779219867603
36. Avg_models,新数据test数据集 0.8446597495667174
37. -------------------------------------
38. StackingAverageModels:对基模型进行集成之后的得分:0.9460 (0.0164)
39. stacked_averaged_model,train数据集 0.9599739253607553
40. stacked_averaged_model,test数据集 0.9557181998955516
41. stacked_averaged_model,新数据test数据集 0.8723757365944271
42. 采用datetime方法,run time: 0:01:08.054631

 

D号

1. D号
2. 
3. 当前执行文件: D 
4. 数据集维度: (976, 6)
5. LassoR 5f-CV: 0.9282 (0.0068)
6. LassoR02 5f-CV: 0.9461 (0.0061)
7. LassoR02,train数据集 0.9471148715997768
8. LassoR02,test数据集  0.9429608871646722
9. -------------------------------------
10. KernelRidgeR 5f-CV: 0.9565 (0.0074)
11. KernelRidgeR,train数据集 0.9598698223204599
12. KernelRidgeR,test数据集  0.9591428004019469
13. -------------------------------------
14. ElasticNetR 5f-CV: 0.8893 (0.0113)
15. ElasticNetR02 5f-CV: 0.9461 (0.0061)
16. ElasticNetR02,train数据集 0.9471145971130267
17. ElasticNetR02,test数据集  0.9429656516481226
18. ElasticNetR02,新数据test数据集 0.8777321831171115
19. -------------------------------------
20. GBR 5f-CV: 0.9663 (0.0075)
21. GBR,train数据集 0.9918880970087767
22. GBR,test数据集  0.9658277751143205
23. GBR,新数据test数据集 0.9352642469253626
24. -------------------------------------
25. XGBR 5f-CV: 0.9604 (0.0086)
26. XGBR,train数据集 0.9944473922887758
27. XGBR,test数据集  0.955746276336988
28. -------------------------------------
29. LGBMR 5f-CV: 0.9553 (0.0100)
30. LGBMR,train数据集 0.9702793029760722
31. LGBMR,test数据集 0.9650928908111341
32. LGBMR,新数据test数据集 0.9020016455510226
33. -------------------------------------
34. AverageModels:LassoR,ElasticNetR,GBR,对基模型进行集成之后的得分:0.9456 (0.0074)
35. Avg_models,train数据集 0.9562357762096392
36. Avg_models,test数据集 0.9508352738032931
37. Avg_models,新数据test数据集 0.8901985855607647
38. -------------------------------------
39. StackingAverageModels:对基模型进行集成之后的得分:0.9620 (0.0063)
40. stacked_averaged_model,train数据集 0.9799219877896265
41. stacked_averaged_model,test数据集 0.9649203326842157
42. stacked_averaged_model,新数据test数据集 0.9204436346295952
43. 采用datetime方法,run time: 0:01:02.149102

 

E号

1. E号
2. 当前执行文件: E
3. 数据集维度: (981, 6)
4. LassoR 5f-CV: 0.9284 (0.0107)
5. LassoR02 5f-CV: 0.9640 (0.0083)
6. LassoR02,train数据集 0.9658976879702919
7. LassoR02,test数据集  0.9746237435933648
8. -------------------------------------
9. KernelRidgeR 5f-CV: 0.9720 (0.0076)
10. KernelRidgeR,train数据集 0.976488382261757
11. KernelRidgeR,test数据集  0.9829086884762668
12. -------------------------------------
13. ElasticNetR 5f-CV: 0.8831 (0.0137)
14. ElasticNetR02 5f-CV: 0.9640 (0.0083)
15. ElasticNetR02,train数据集 0.9658973583247863
16. ElasticNetR02,test数据集  0.9746148277482753
17. ElasticNetR02,新数据test数据集 0.8972363606065893
18. -------------------------------------
19. GBR 5f-CV: 0.9800 (0.0050)
20. GBR,train数据集 0.9949604446786614
21. GBR,test数据集  0.9851938616003065
22. GBR,新数据test数据集 0.9414241262215136
23. -------------------------------------
24. XGBR 5f-CV: 0.9760 (0.0053)
25. XGBR,train数据集 0.996190501087066
26. XGBR,test数据集  0.9817664166540716
27. -------------------------------------
28. LGBMR 5f-CV: 0.9710 (0.0053)
29. LGBMR,train数据集 0.9797176065207025
30. LGBMR,test数据集 0.9809832229901967
31. LGBMR,新数据test数据集 0.919767401386678
32. -------------------------------------
33. AverageModels:LassoR,ElasticNetR,GBR,对基模型进行集成之后的得分:0.9502 (0.0089)
34. Avg_models,train数据集 0.9580133569841862
35. Avg_models,test数据集 0.9571445156072284
36. Avg_models,新数据test数据集 0.9199032589012549
37. -------------------------------------
38. StackingAverageModels:对基模型进行集成之后的得分:0.9707 (0.0076)
39. stacked_averaged_model,train数据集 0.9830711403871105
40. stacked_averaged_model,test数据集 0.9788245785417383
41. stacked_averaged_model,新数据test数据集 0.9568397587253009
42. 采用datetime方法,run time: 0:01:03.587847
43. 
44.

 

 

实现代码

更新……

 

相关文章
|
7天前
|
人工智能 Kubernetes jenkins
容器化AI模型的持续集成与持续交付(CI/CD):自动化模型更新与部署
在前几篇文章中,我们探讨了容器化AI模型的部署、监控、弹性伸缩及安全防护。为加速模型迭代以适应新数据和业务需求,需实现容器化AI模型的持续集成与持续交付(CI/CD)。CI/CD通过自动化构建、测试和部署流程,提高模型更新速度和质量,降低部署风险,增强团队协作。使用Jenkins和Kubernetes可构建高效CI/CD流水线,自动化模型开发和部署,确保环境一致性并提升整体效率。
|
12天前
|
存储 人工智能 测试技术
小鱼深度评测 | 通义灵码2.0,不仅可跨语言编码,自动生成单元测试,更炸裂的是集成DeepSeek模型且免费使用,太炸裂了。
小鱼深度评测 | 通义灵码2.0,不仅可跨语言编码,自动生成单元测试,更炸裂的是集成DeepSeek模型且免费使用,太炸裂了。
140766 17
小鱼深度评测 | 通义灵码2.0,不仅可跨语言编码,自动生成单元测试,更炸裂的是集成DeepSeek模型且免费使用,太炸裂了。
|
4月前
|
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。
202 3
|
1月前
|
IDE Linux API
轻松在本地部署 DeepSeek 蒸馏模型并无缝集成到你的 IDE
本文将详细介绍如何在本地部署 DeepSeek 蒸馏模型,内容主要包括 Ollama 的介绍与安装、如何通过 Ollama 部署 DeepSeek、在 ChatBox 中使用 DeepSeek 以及在 VS Code 中集成 DeepSeek 等。
1397 14
轻松在本地部署 DeepSeek 蒸馏模型并无缝集成到你的 IDE
|
10天前
|
人工智能 IDE 测试技术
用户说 | 通义灵码2.0,跨语言编码+自动生成单元测试+集成DeepSeek模型且免费使用
通义灵码, 作为国内首个 AI 程序员,从最开始的内测到公测,再到通义灵码正式发布第一时间使用,再到后来使用企业定制版的通义灵码,再再再到现在通义灵码2.0,我可以说“用着”通义灵码成长的为数不多的程序员之一了吧。咱闲言少叙,直奔主题!今天,我会聊一聊通义灵码的新功能和通义灵码2.0与1.0的体验感。
|
10天前
|
人工智能 自然语言处理 搜索推荐
阿里云 AI 搜索开放平台集成 DeepSeek 模型
阿里云 AI 搜索开放平台最新上线 DeepSeek -R1系列模型。
|
2月前
|
人工智能 数据可视化 开发者
FlowiseAI:34K Star!集成多种模型和100+组件的 LLM 应用低代码开发平台,拖拽组件轻松构建程序
FlowiseAI 是一款开源的低代码工具,通过拖拽可视化组件,用户可以快速构建自定义的 LLM 应用程序,支持多模型集成和记忆功能。
166 14
FlowiseAI:34K Star!集成多种模型和100+组件的 LLM 应用低代码开发平台,拖拽组件轻松构建程序
|
2月前
|
人工智能 JSON 数据可视化
集成500+多模态现实任务!全新MEGA-Bench评测套件:CoT对开源模型反而有害?
多模态模型在处理图像、文本、音频等数据方面能力不断提升,但其性能评估一直是个挑战。为此,研究团队推出了MEGA-Bench评测套件,集成505个现实任务,涵盖广泛领域和数据类型,由16位专家标注。它采用灵活输出格式,提供多维度评估指标,并配有交互式可视化工具,为模型优化提供了重要支持。然而,评估过程复杂且耗时,COT方法对开源模型性能的影响也值得探讨。论文链接:https://arxiv.org/abs/2410.10563
80 29
|
6天前
|
人工智能 IDE 测试技术
用户说 | 通义灵码2.0,跨语言编码+自动生成单元测试+集成DeepSeek模型且免费使用
用户说 | 通义灵码2.0,跨语言编码+自动生成单元测试+集成DeepSeek模型且免费使用
|
7月前
|
机器学习/深度学习 存储 前端开发
实战揭秘:如何借助TensorFlow.js的强大力量,轻松将高效能的机器学习模型无缝集成到Web浏览器中,从而打造智能化的前端应用并优化用户体验
【8月更文挑战第31天】将机器学习模型集成到Web应用中,可让用户在浏览器内体验智能化功能。TensorFlow.js作为在客户端浏览器中运行的库,提供了强大支持。本文通过问答形式详细介绍如何使用TensorFlow.js将机器学习模型带入Web浏览器,并通过具体示例代码展示最佳实践。首先,需在HTML文件中引入TensorFlow.js库;接着,可通过加载预训练模型如MobileNet实现图像分类;然后,编写代码处理图像识别并显示结果;此外,还介绍了如何训练自定义模型及优化模型性能的方法,包括模型量化、剪枝和压缩等。
197 1

热门文章

最新文章