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
|
5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。
223 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
|
4月前
|
开发框架 算法 .NET
基于ADMM无穷范数检测算法的MIMO通信系统信号检测MATLAB仿真,对比ML,MMSE,ZF以及LAMA
简介:本文介绍基于ADMM的MIMO信号检测算法,结合无穷范数优化与交替方向乘子法,降低计算复杂度并提升检测性能。涵盖MATLAB 2024b实现效果图、核心代码及详细注释,并对比ML、MMSE、ZF、OCD_MMSE与LAMA等算法。重点分析LAMA基于消息传递的低复杂度优势,适用于大规模MIMO系统,为通信系统检测提供理论支持与实践方案。(238字)
|
5月前
|
机器学习/深度学习 传感器 算法
【无人车路径跟踪】基于神经网络的数据驱动迭代学习控制(ILC)算法,用于具有未知模型和重复任务的非线性单输入单输出(SISO)离散时间系统的无人车的路径跟踪(Matlab代码实现)
【无人车路径跟踪】基于神经网络的数据驱动迭代学习控制(ILC)算法,用于具有未知模型和重复任务的非线性单输入单输出(SISO)离散时间系统的无人车的路径跟踪(Matlab代码实现)
394 2
|
4月前
|
机器学习/深度学习 人工智能 算法
【基于TTNRBO优化DBN回归预测】基于瞬态三角牛顿-拉夫逊优化算法(TTNRBO)优化深度信念网络(DBN)数据回归预测研究(Matlab代码实现)
【基于TTNRBO优化DBN回归预测】基于瞬态三角牛顿-拉夫逊优化算法(TTNRBO)优化深度信念网络(DBN)数据回归预测研究(Matlab代码实现)
234 0
|
5月前
|
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)
145 8
|
5月前
|
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
|
5月前
|
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
|
5月前
|
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)
413 0
|
6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)
209 2
|
5月前
|
机器学习/深度学习 数据采集 传感器
【WOA-CNN-LSTM】基于鲸鱼算法优化深度学习预测模型的超参数研究(Matlab代码实现)
【WOA-CNN-LSTM】基于鲸鱼算法优化深度学习预测模型的超参数研究(Matlab代码实现)
385 0

热门文章

最新文章