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

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


目录

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

1、LassoR

2、KernelRidgeR

3、ElasticNetR

4、GBR

5、LGBMR

6、XGBR


 

 

相关文章

ML之FE:利用【数据分析+数据处理】算法对国内某平台上海2020年6月份房价数据集【12+1】进行特征工程处理(史上最完整,建议收藏)

ML之FE:利用【数据分析+数据处理】算法对国内某平台上海2020年6月份房价数据集【12+1】进行特征工程处理实现

ML之FE:利用【数据分析+数据处理】算法对国内某平台上海2020年6月份房价数据集【12+1】进行特征工程处理(史上最完整,建议收藏)——附录

ML之FE:利用【数据分析+数据处理】算法对国内某平台上海2020年6月份房价数据集【12+1】进行特征工程处理实现

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

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】进行回归预测实现

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

1、LassoR

1. LassoR-0.5 Score value: -0.0005055552395767382
2. LassoR-0.5 R2    value: -0.0005055552395767382
3. LassoR-0.5 MAE   value: 0.09939996261234317
4. LassoR-0.5 MSE   value: 0.015779522350425033
5. 
6. LassoR-0.05 Score value: 0.5022404879755265
7. LassoR-0.05 R2    value: 0.5022404879755265
8. LassoR-0.05 MAE   value: 0.07037495216160995
9. LassoR-0.05 MSE   value: 0.007850438514802703
10. 
11. LassoR-0.01 Score value: 0.9688284646643495
12. LassoR-0.01 R2    value: 0.9688284646643495
13. LassoR-0.01 MAE   value: 0.017225365757314693
14. LassoR-0.01 MSE   value: 0.0004916233957423449
15. 
16. LassoR-0.005 Score value: 0.9837696043172183
17. LassoR-0.005 R2    value: 0.9837696043172183
18. LassoR-0.005 MAE   value: 0.012281723604764734
19. LassoR-0.005 MSE   value: 0.0002559784801708263
20. 
21. LassoR-0.001 Score value: 0.9898771362261237
22. LassoR-0.001 R2    value: 0.9898771362261237
23. LassoR-0.001 MAE   value: 0.009067394814047579
24. LassoR-0.001 MSE   value: 0.00015965324163736406
25. 
26. LassoR-0.0001 Score value: 0.9942215817581104
27. LassoR-0.0001 R2    value: 0.9942215817581104
28. LassoR-0.0001 MAE   value: 0.0067102545940495514
29. LassoR-0.0001 MSE   value: 9.113460622032017e-05
30. 
31. 
32. 
33. 
34. [-0.0005055552395767382, 0.5022404879755265, 0.9688284646643495, 0.9837696043172183, 0.9898771362261237, 0.9942215817581104]

 

 

2、KernelRidgeR

1. KernelRidgeR-0.5 Score value: 0.9544414613254653
2. KernelRidgeR-0.5 R2    value: 0.9544414613254653
3. KernelRidgeR-0.5 MAE   value: 0.020348726878028075
4. KernelRidgeR-0.5 MSE   value: 0.0007185287233066692
5. 
6. KernelRidgeR-0.05 Score value: 0.992221974943464
7. KernelRidgeR-0.05 R2    value: 0.992221974943464
8. KernelRidgeR-0.05 MAE   value: 0.008029713794101924
9. KernelRidgeR-0.05 MSE   value: 0.00012267150300068682
10. 
11. KernelRidgeR-0.01 Score value: 0.9953080928564902
12. KernelRidgeR-0.01 R2    value: 0.9953080928564902
13. KernelRidgeR-0.01 MAE   value: 0.006042556218634196
14. KernelRidgeR-0.01 MSE   value: 7.3998643235321e-05
15. 
16. KernelRidgeR-0.005 Score value: 0.9961880311177832
17. KernelRidgeR-0.005 R2    value: 0.9961880311177832
18. KernelRidgeR-0.005 MAE   value: 0.005338518159253265
19. KernelRidgeR-0.005 MSE   value: 6.012065386449663e-05
20. 
21. KernelRidgeR-0.001 Score value: 0.9973841188580002
22. KernelRidgeR-0.001 R2    value: 0.9973841188580002
23. KernelRidgeR-0.001 MAE   value: 0.004183983328177061
24. KernelRidgeR-0.001 MSE   value: 4.125649750775996e-05
25. 
26. KernelRidgeR-0.0001 Score value: 0.9977701958859504
27. KernelRidgeR-0.0001 R2    value: 0.9977701958859504
28. KernelRidgeR-0.0001 MAE   value: 0.0036901575950436236
29. KernelRidgeR-0.0001 MSE   value: 3.516746475864464e-05
30. 
31. 
32. 
33. 
34. [0.9544414613254653, 0.992221974943464, 0.9953080928564902, 0.9961880311177832, 0.9973841188580002, 0.9977701958859504]

 

 

3、ElasticNetR

1. ElasticNetR-0.5 Score value: -0.0005308426992141069
2. ElasticNetR-0.5 R2    value: -0.0005308426992141069
3. ElasticNetR-0.5 MAE   value: 0.09940889668350568
4. ElasticNetR-0.5 MSE   value: 0.015779921172832806
5. 
6. ElasticNetR-0.05 Score value: 0.5909997356551588
7. ElasticNetR-0.05 R2    value: 0.5909997356551588
8. ElasticNetR-0.05 MAE   value: 0.06384977771594441
9. ElasticNetR-0.05 MSE   value: 0.006450567694263088
10. 
11. ElasticNetR-0.01 Score value: 0.9722470175744828
12. ElasticNetR-0.01 R2    value: 0.9722470175744828
13. ElasticNetR-0.01 MAE   value: 0.01621461543934733
14. ElasticNetR-0.01 MSE   value: 0.00043770752114368465
15. 
16. ElasticNetR-0.005 Score value: 0.9846441765684218
17. ElasticNetR-0.005 R2    value: 0.9846441765684218
18. ElasticNetR-0.005 MAE   value: 0.01189698639426006
19. ElasticNetR-0.005 MSE   value: 0.00024218512109085247
20. 
21. ElasticNetR-0.001 Score value: 0.9902182047362088
22. ElasticNetR-0.001 R2    value: 0.9902182047362088
23. ElasticNetR-0.001 MAE   value: 0.00886838381299399
24. ElasticNetR-0.001 MSE   value: 0.00015427406293142925
25. 
26. ElasticNetR-0.0001 Score value: 0.9942704213728978
27. ElasticNetR-0.0001 R2    value: 0.9942704213728978
28. ElasticNetR-0.0001 MAE   value: 0.006695706278914398
29. ElasticNetR-0.0001 MSE   value: 9.036432984445262e-05
30. 
31. 
32. 
33. 
34. [-0.0005308426992141069, 0.5909997356551588, 0.9722470175744828, 0.9846441765684218, 0.9902182047362088, 0.9942704213728978]

 

4、GBR

1. GBR-1
2. GBR-1 Score value: 0.9763666115566574
3. GBR-1 R2    value: 0.9763666115566574
4. GBR-1 MAE   value: 0.012052516368497329
5. GBR-1 MSE   value: 0.00037273514295350755
6. 
7. GBR-2
8. GBR-2 Score value: 0.9926847727617255
9. GBR-2 R2    value: 0.9926847727617255
10. GBR-2 MAE   value: 0.008012779193494083
11. GBR-2 MSE   value: 0.0001153724645508341
12. 
13. GBR-3
14. GBR-3 Score value: 0.9958318342325574
15. GBR-3 R2    value: 0.9958318342325574
16. GBR-3 MAE   value: 0.005714597302721484
17. GBR-3 MSE   value: 6.573843047966691e-05
18. 
19. GBR-4
20. GBR-4 Score value: 0.9958185134836749
21. GBR-4 R2    value: 0.9958185134836749
22. GBR-4 MAE   value: 0.004795477929089135
23. GBR-4 MSE   value: 6.594851932286696e-05
24. 
25. GBR-5
26. GBR-5 Score value: 0.9936308502387022
27. GBR-5 R2    value: 0.9936308502387022
28. GBR-5 MAE   value: 0.004648655284013917
29. GBR-5 MSE   value: 0.00010045135730159553
30. 
31. GBR-6
32. GBR-6 Score value: 0.9928564661943613
33. GBR-6 R2    value: 0.9928564661943613
34. GBR-6 MAE   value: 0.004401292926689321
35. GBR-6 MSE   value: 0.00011266459317169972
36. 
37. GBR-7
38. GBR-7 Score value: 0.9902977868325656
39. GBR-7 R2    value: 0.9902977868325656
40. GBR-7 MAE   value: 0.004428399093689221
41. GBR-7 MSE   value: 0.0001530189300023011
42. 
43. GBR-8
44. GBR-8 Score value: 0.9869749160018195
45. GBR-8 R2    value: 0.9869749160018195
46. GBR-8 MAE   value: 0.004718971897735163
47. GBR-8 MSE   value: 0.00020542575000119555
48. 
49. GBR-9
50. GBR-9 Score value: 0.9853247317034755
51. GBR-9 R2    value: 0.9853247317034755
52. GBR-9 MAE   value: 0.0050509572638206945
53. GBR-9 MSE   value: 0.00023145171245755048
54. 
55. GBR-10
56. GBR-10 Score value: 0.9838819868698998
57. GBR-10 R2    value: 0.9838819868698998
58. GBR-10 MAE   value: 0.005661280988227483
59. GBR-10 MSE   value: 0.000254206033238824
60. 
61. GBR-11
62. GBR-11 Score value: 0.9830335256911121
63. GBR-11 R2    value: 0.9830335256911121
64. GBR-11 MAE   value: 0.006145980498176065
65. GBR-11 MSE   value: 0.0002675875802617618
66. 
67. 
68. 
69. 
70. [0.9763666115566574, 0.9926847727617255, 0.9958318342325574, 0.9958185134836749, 0.9936308502387022, 0.9928564661943613, 0.9902977868325656, 0.9869749160018195, 0.9853247317034755, 0.9838819868698998, 0.9830335256911121]

 

5、LGBMR

 

1. LGBMR-0.001
2. LGBMR-0.001 Score value: 0.16876197122096692
3. LGBMR-0.001 R2    value: 0.16876197122096692
4. LGBMR-0.001 MAE   value: 0.09046580583395379
5. LGBMR-0.001 MSE   value: 0.013109911269309412
6. 
7. LGBMR-0.005
8. LGBMR-0.005 Score value: 0.600585544258686
9. LGBMR-0.005 R2    value: 0.600585544258686
10. LGBMR-0.005 MAE   value: 0.062265161731615705
11. LGBMR-0.005 MSE   value: 0.006299384644539756
12. 
13. LGBMR-0.01
14. LGBMR-0.01 Score value: 0.8337825446742081
15. LGBMR-0.01 R2    value: 0.8337825446742081
16. LGBMR-0.01 MAE   value: 0.0391266729122725
17. LGBMR-0.01 MSE   value: 0.0026215067348787035
18. 
19. LGBMR-0.05
20. LGBMR-0.05 Score value: 0.9913041321780923
21. LGBMR-0.05 R2    value: 0.9913041321780923
22. LGBMR-0.05 MAE   value: 0.005162800605481635
23. LGBMR-0.05 MSE   value: 0.0001371473051134398
24. 
25. LGBMR-0.1
26. LGBMR-0.1 Score value: 0.9930306170725406
27. LGBMR-0.1 R2    value: 0.9930306170725406
28. LGBMR-0.1 MAE   value: 0.004702627111296393
29. LGBMR-0.1 MSE   value: 0.00010991796406985765
30. 
31. LGBMR-0.3
32. LGBMR-0.3 Score value: 0.9943329790691453
33. LGBMR-0.3 R2    value: 0.9943329790691453
34. LGBMR-0.3 MAE   value: 0.004947701938557634
35. LGBMR-0.3 MSE   value: 8.937769807518515e-05
36. 
37. LGBMR-0.5
38. LGBMR-0.5 Score value: 0.9923225863703856
39. LGBMR-0.5 R2    value: 0.9923225863703856
40. LGBMR-0.5 MAE   value: 0.006078772753272445
41. LGBMR-0.5 MSE   value: 0.00012108470495493492
42. 
43. LGBMR-0.8
44. LGBMR-0.8 Score value: 0.9850122706624084
45. LGBMR-0.8 R2    value: 0.9850122706624084
46. LGBMR-0.8 MAE   value: 0.008351662282985653
47. LGBMR-0.8 MSE   value: 0.00023637970706521245
48. 
49. 
50. 
51. 
52. [0.16876197122096692, 0.600585544258686, 0.8337825446742081, 0.9913041321780923, 0.9930306170725406, 0.9943329790691453, 0.9923225863703856, 0.9850122706624084]

 

6、XGBR

1. XGBR-0.001
2. XGBR-0.001 Score value: -166.74203034694682
3. XGBR-0.001 R2    value: -166.74203034694682
4. XGBR-0.001 MAE   value: 1.6222131885073523
5. XGBR-0.001 MSE   value: 2.6455516444698888
6. 
7. XGBR-0.005
8. XGBR-0.005 Score value: -74.51589484580421
9. XGBR-0.005 R2    value: -74.51589484580421
10. XGBR-0.005 MAE   value: 1.0873952054959475
11. XGBR-0.005 MSE   value: 1.1910026329102963
12. 
13. XGBR-0.01
14. XGBR-0.01 Score value: -26.747645189967315
15. XGBR-0.01 R2    value: -26.747645189967315
16. XGBR-0.01 MAE   value: 0.6580440584800581
17. XGBR-0.01 MSE   value: 0.43762334467189284
18. 
19. XGBR-0.05
20. XGBR-0.05 Score value: 0.9828950831664092
21. XGBR-0.05 R2    value: 0.9828950831664092
22. XGBR-0.05 MAE   value: 0.013051145715410249
23. XGBR-0.05 MSE   value: 0.0002697710333184286
24. 
25. XGBR-0.1
26. XGBR-0.1 Score value: 0.9957552489177933
27. XGBR-0.1 R2    value: 0.9957552489177933
28. XGBR-0.1 MAE   value: 0.006227088292841316
29. XGBR-0.1 MSE   value: 6.694629952117871e-05
30. 
31. XGBR-0.3
32. XGBR-0.3 Score value: 0.9921237303622439
33. XGBR-0.3 R2    value: 0.9921237303622439
34. XGBR-0.3 MAE   value: 0.008735198405534918
35. XGBR-0.3 MSE   value: 0.00012422097222357384
36. 
37. 
38. 
39. 
40. [-166.74203034694682, -74.51589484580421, -26.747645189967315, 0.9828950831664092, 0.9957552489177933, 0.9921237303622439]

 

相关文章
|
19天前
|
机器学习/深度学习 算法 数据可视化
利用SVM(支持向量机)分类算法对鸢尾花数据集进行分类
本文介绍了如何使用支持向量机(SVM)算法对鸢尾花数据集进行分类。作者通过Python的sklearn库加载数据,并利用pandas、matplotlib等工具进行数据分析和可视化。
135 70
|
11天前
|
算法 安全 大数据
【算法合规新时代】企业如何把握“清朗·网络平台算法典型问题治理”专项行动?
在数字化时代,算法推动社会发展,但也带来了信息茧房、大数据杀熟等问题。中央网信办发布《关于开展“清朗·网络平台算法典型问题治理”专项行动的通知》,针对六大算法问题进行整治,明确企业需落实算法安全主体责任,建立健全审核与管理制度,并对算法进行全面审查和备案。企业应积极自查自纠,确保算法合规透明,防范风险,迎接新机遇。
|
4天前
|
机器学习/深度学习 算法
扩散模型=进化算法!生物学大佬用数学揭示本质
在机器学习与生物学交叉领域,Tufts和Harvard大学研究人员揭示了扩散模型与进化算法的深刻联系。研究表明,扩散模型本质上是一种进化算法,通过逐步去噪生成数据点,类似于进化中的变异和选择机制。这一发现不仅在理论上具有重要意义,还提出了扩散进化方法,能够高效识别多解、处理高维复杂参数空间,并显著减少计算步骤,为图像生成、视频合成及神经网络优化等应用带来广泛潜力。论文地址:https://arxiv.org/pdf/2410.02543。
31 21
|
10天前
|
人工智能 算法 搜索推荐
单纯接入第三方模型就无需算法备案了么?
随着人工智能的发展,企业接入第三方模型提升业务能力的现象日益普遍,但算法备案问题引发诸多讨论。根据相关法规,无论使用自研或第三方模型,只要涉及向中国境内公众提供算法推荐服务,企业均需履行备案义务。这不仅因为服务性质未变,风险依然存在,也符合监管要求。备案内容涵盖模型基本信息、算法优化目标等,且需动态管理。未备案可能面临法律和运营风险。建议企业提前规划、合规管理和积极沟通,确保合法合规运营。
|
2天前
|
机器学习/深度学习 数据采集 算法
基于GWO灰狼优化的CNN-GRU-SAM网络时间序列回归预测算法matlab仿真
本项目基于MATLAB2022a,展示了时间序列预测算法的运行效果(无水印)。核心程序包含详细中文注释和操作视频。算法采用CNN-GRU-SAM网络,结合灰狼优化(GWO),通过卷积层提取局部特征、GRU处理长期依赖、自注意力机制捕捉全局特征,最终实现复杂非线性时间序列的高效预测。
|
1月前
|
机器学习/深度学习 数据采集 算法
基于GA遗传优化的CNN-GRU-SAM网络时间序列回归预测算法matlab仿真
本项目基于MATLAB2022a实现时间序列预测,采用CNN-GRU-SAM网络结构。卷积层提取局部特征,GRU层处理长期依赖,自注意力机制捕捉全局特征。完整代码含中文注释和操作视频,运行效果无水印展示。算法通过数据归一化、种群初始化、适应度计算、个体更新等步骤优化网络参数,最终输出预测结果。适用于金融市场、气象预报等领域。
基于GA遗传优化的CNN-GRU-SAM网络时间序列回归预测算法matlab仿真
|
1月前
|
机器学习/深度学习 人工智能 算法
机器学习算法的优化与改进:提升模型性能的策略与方法
机器学习算法的优化与改进:提升模型性能的策略与方法
260 13
机器学习算法的优化与改进:提升模型性能的策略与方法
|
2月前
|
机器学习/深度学习 数据采集 算法
基于PSO粒子群优化的CNN-GRU-SAM网络时间序列回归预测算法matlab仿真
本项目展示了基于PSO优化的CNN-GRU-SAM网络在时间序列预测中的应用。算法通过卷积层、GRU层、自注意力机制层提取特征,结合粒子群优化提升预测准确性。完整程序运行效果无水印,提供Matlab2022a版本代码,含详细中文注释和操作视频。适用于金融市场、气象预报等领域,有效处理非线性数据,提高预测稳定性和效率。
|
1月前
|
存储 算法 安全
基于哈希表的文件共享平台 C++ 算法实现与分析
在数字化时代,文件共享平台不可或缺。本文探讨哈希表在文件共享中的应用,包括原理、优势及C++实现。哈希表通过键值对快速访问文件元数据(如文件名、大小、位置等),查找时间复杂度为O(1),显著提升查找速度和用户体验。代码示例展示了文件上传和搜索功能,实际应用中需解决哈希冲突、动态扩容和线程安全等问题,以优化性能。
|
2月前
|
机器学习/深度学习 前端开发 算法
婚恋交友系统平台 相亲交友平台系统 婚恋交友系统APP 婚恋系统源码 婚恋交友平台开发流程 婚恋交友系统架构设计 婚恋交友系统前端/后端开发 婚恋交友系统匹配推荐算法优化
婚恋交友系统平台通过线上互动帮助单身男女找到合适伴侣,提供用户注册、个人资料填写、匹配推荐、实时聊天、社区互动等功能。开发流程包括需求分析、技术选型、系统架构设计、功能实现、测试优化和上线运维。匹配推荐算法优化是核心,通过用户行为数据分析和机器学习提高匹配准确性。
167 3

热门文章

最新文章