当前位置： 首页 > news >正文

望城区建设局网站wordpress登录后台闪退

news 2025/9/17 7:26:16
望城区建设局网站,wordpress登录后台闪退,国际金融资讯做的好的网站,安阳县属于哪个省哪个市大家好，我是带我去滑雪！ 前一期利用python爬取了谷歌趋势某个关键词的每日搜索次数，本期利用爬取的数据进行多种机器学习方法进行学习，其中方法包括：随机森林、XGBOOST、决策树、支持向量机、神经网络、K邻近等方法&am…

      大家好，我是带我去滑雪！

      前一期利用python爬取了谷歌趋势某个关键词的每日搜索次数，本期利用爬取的数据进行多种机器学习方法进行学习，其中方法包括：随机森林、XGBOOST、决策树、支持向量机、神经网络、K邻近等方法，并对模型拟合效果进行对比。下面开始实战！

目录

（1）导入相关模块与爬取到的数据

 （2）划分训练集与测试集

 （3）保存真实值并对数据进行标准化

（4）调用模块

（5）回归交叉验证、计算评价指标

（6）评价指标可视化

（1）导入相关模块与爬取到的数据

import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns
from sklearn import preprocessing
from sklearn.preprocessing import StandardScaler
from sklearn.model_selection import KFold,StratifiedKFold
from sklearn.model_selection import GridSearchCV
from sklearn.svm import LinearSVR
from sklearn.svm import SVR
from sklearn.ensemble import RandomForestRegressor
from sklearn.model_selection import train_test_split
from sklearn.metrics import mean_squared_error
from sklearn.metrics import mean_absolute_error
from sklearn.metrics import r2_score
get_ipython().run_line_magic('matplotlib', 'inline')
plt.rcParams['font.sans-serif'] = ['SimHei']
plt.rcParams['axes.unicode_minus'] = False
from IPython.core.interactiveshell import InteractiveShell
InteractiveShell.ast_node_interactivity = 'all'
import warnings
import seaborn as sns 
import datetime
%matplotlib inline
plt.rcParams['font.sans-serif'] = ['KaiTi']  #中文
plt.rcParams['axes.unicode_minus'] = False   #负号
get_ipython().run_line_magic('matplotlib', 'inline')
plt.rcParams['font.sans-serif'] = ['SimHei']
plt.rcParams['axes.unicode_minus'] = False
import warnings
import pandas as pd
import matplotlib.pyplot as plt
import networkx as nx
plt.rcParams['font.sans-serif'] = ['KaiTi']
plt.rcParams['axes.unicode_minus'] = False 
from sklearn.linear_model import LinearRegression
from sklearn.linear_model import ElasticNet
from sklearn.neighbors import KNeighborsRegressor
from sklearn.tree import DecisionTreeRegressor
from sklearn.ensemble import RandomForestRegressor
from sklearn.ensemble import GradientBoostingRegressor
from xgboost.sklearn import XGBRegressor
from lightgbm import LGBMRegressor
from sklearn.svm import SVR
from sklearn.neural_network import MLPRegressor
data=pd.read_csv('E:/工作/硕士/博客/博客粉丝问题/data.csv')
data=data.iloc[0:1516,]
data

输出结果：

zcrvw2rvm2taieniaoinews1skew2kurt2rvh
01.1210.9140.8971.11-0.10.3400.831.2515982.0767490.545
10.5450.8690.8811.11-0.10.3400.74-0.170641-1.5514541.128
21.1280.9340.9091.11-0.10.3400.77-0.8126150.2166971.607
31.6071.1730.9691.11-0.10.3400.791.5971471.5591410.547
40.5470.9900.9151.11-0.10.3401.000.6482620.7725392.588
.................................
15110.5030.9531.2260.871.4-0.6740.92-0.6471140.7500491.414
15121.4141.0681.2660.871.4-0.6740.97-1.045306-0.6048740.873
15130.8731.0461.2730.871.4-0.6740.851.1701480.2114090.492
15140.4920.8671.2590.871.4-0.6740.87-1.1241570.4349540.747
15150.7470.8061.2720.871.4-0.6740.730.732621-1.0582710.839

1516 rows × 10 columns

      其中rvh为响应变量，其他为特征变量。

 （2）划分训练集与测试集

X=data.iloc[:,0:9]
y=data.iloc[:,9]
X_train, X_test, y_train, y_test =train_test_split(X,y,test_size=0.2,random_state = 0)
#可以检查一下划分后数据形状
X_train.shape,X_test.shape, y_train.shape, y_test.shape

输出结果：

((1212, 9), (304, 9), (1212,), (304,))

 （3）保存真实值并对数据进行标准化

#数据标准化
from sklearn.preprocessing import StandardScaler
scaler = StandardScaler()
scaler.fit(X_train)
X_train_s = scaler.transform(X_train)
X_test_s = scaler.transform(X_test)
print('训练数据形状：')
print(X_train_s.shape,y_train.shape)
print('测试数据形状：')
(X_test_s.shape,y_test.shape)

输出结果：

训练数据形状：(1212, 9) (1212,)
测试数据形状：((304, 9), (304,))

（4）调用模块

model1 = LinearRegression()
model2 = ElasticNet(alpha=0.05, l1_ratio=0.5)
model3 = KNeighborsRegressor(n_neighbors=10)
model4 = DecisionTreeRegressor(random_state=77)
model5= RandomForestRegressor(n_estimators=500,  max_features=int(X_train.shape[1]/3) , random_state=0)
model6 = GradientBoostingRegressor(n_estimators=500,random_state=123)
model7 =  XGBRegressor(objective='reg:squarederror', n_estimators=1000, random_state=0) 
model8 = LGBMRegressor(n_estimators=1000,objective='regression', # 默认是二分类
                      random_state=0)
model9 = SVR(kernel="rbf")
model10 = MLPRegressor(hidden_layer_sizes=(16,8), random_state=77, max_iter=10000)
model_list=[model1,model2,model3,model4,model5,model6,model7,model8,model9,model10]
model_name=['线性回归','惩罚回归','K近邻','决策树','随机森林','梯度提升','极端梯度提升','轻量梯度提升','支持向量机','神经网络']

（5）回归交叉验证、计算评价指标

#回归问题交叉验证，使用拟合优度，mae,rmse,mape 作为评价标准
from sklearn.metrics import mean_absolute_error
from sklearn.metrics import mean_squared_error,r2_score
from sklearn.model_selection import KFold
 
def evaluation(y_test, y_predict):
    mae = mean_absolute_error(y_test, y_predict)
    mse = mean_squared_error(y_test, y_predict)
    rmse = np.sqrt(mean_squared_error(y_test, y_predict))
    mape=(abs(y_predict -y_test)/ y_test).mean()
    r_2=r2_score(y_test, y_predict)
    return mae, rmse, mape
def evaluation2(lis):
    array=np.array(lis)
    return array.mean() , array.std()

def cross_val(model=None,X=None,Y=None,K=5,repeated=1):
    df_mean=pd.DataFrame(columns=['R2','MAE','RMSE','MAPE']) 
    df_std=pd.DataFrame(columns=['R2','MAE','RMSE','MAPE'])
    for n in range(repeated):
        print(f'正在进行第{n+1}次重复K折.....随机数种子为{n}\n')
        kf = KFold(n_splits=K, shuffle=True, random_state=n)
        R2=[]
        MAE=[]
        RMSE=[]
        MAPE=[]
        print(f"    开始本次在{K}折数据上的交叉验证.......\n")
        i=1
        for train_index, test_index in kf.split(X):
            print(f'        正在进行第{i}折的计算')
            X_train=X.values[train_index]
            y_train=y.values[train_index]
            X_test=X.values[test_index]
            y_test=y.values[test_index]
            model.fit(X_train,y_train)
            score=model.score(X_test,y_test)
            R2.append(score)
            pred=model.predict(X_test)
            mae, rmse, mape=evaluation(y_test, pred)
            MAE.append(mae)
            RMSE.append(rmse)
            MAPE.append(mape)
            print(f'        第{i}折的拟合优度为：{round(score,4)}，MAE为{round(mae,4)}，RMSE为{round(rmse,4)}，MAPE为{round(mape,4)}')
            i+=1
        print(f'    ———————————————完成本次的{K}折交叉验证———————————————————\n')
        R2_mean,R2_std=evaluation2(R2)
        MAE_mean,MAE_std=evaluation2(MAE)
        RMSE_mean,RMSE_std=evaluation2(RMSE)
        MAPE_mean,MAPE_std=evaluation2(MAPE)
        print(f'第{n+1}次重复K折，本次{K}折交叉验证的总体拟合优度均值为{R2_mean}，方差为{R2_std}')
        print(f'                               总体MAE均值为{MAE_mean}，方差为{MAE_std}')
        print(f'                               总体RMSE均值为{RMSE_mean}，方差为{RMSE_std}')
        print(f'                               总体MAPE均值为{MAPE_mean}，方差为{MAPE_std}')
        print("\n====================================================================================================================\n")
        df1=pd.DataFrame(dict(zip(['R2','MAE','RMSE','MAPE'],[R2_mean,MAE_mean,RMSE_mean,MAPE_mean])),index=[n])
        df_mean=pd.concat([df_mean,df1])
        df2=pd.DataFrame(dict(zip(['R2','MAE','RMSE','MAPE'],[R2_std,MAE_std,RMSE_std,MAPE_std])),index=[n])
        df_std=pd.concat([df_std,df2])
    return df_mean,df_std

model =RandomForestRegressor(n_estimators=500,  max_features=int(X_train.shape[1]/3) , random_state=0)
ran_crosseval,lgb_crosseval2=cross_val(model=model,X=data,Y=y,K=3,repeated=5)

输出结果：

正在进行第1次重复K折.....随机数种子为0开始本次在3折数据上的交叉验证.......正在进行第1折的计算第1折的拟合优度为：0.6359，MAE为0.5313，RMSE为2.4973，MAPE为0.8891正在进行第2折的计算第2折的拟合优度为：0.9329，MAE为0.2918，RMSE为0.6796，MAPE为3.6771正在进行第3折的计算第3折的拟合优度为：0.4618，MAE为0.4001，RMSE为3.7925，MAPE为1.6797———————————————完成本次的3折交叉验证———————————————————第1次重复K折，本次3折交叉验证的总体拟合优度均值为0.6768657819427061，方差为0.1944779600384177总体MAE均值为0.4077273555381626，方差为0.09794742090384587总体RMSE均值为2.32313716109176，方差为1.2768087853386325总体MAPE均值为2.081956991377407，方差为1.1732020214054228====================================================================================================================正在进行第2次重复K折.....随机数种子为1开始本次在3折数据上的交叉验证.......正在进行第1折的计算第1折的拟合优度为：0.9122，MAE为0.3241，RMSE为0.8612，MAPE为2.5479正在进行第2折的计算第2折的拟合优度为：0.5261，MAE为0.4917，RMSE为3.9197，MAPE为0.7314正在进行第3折的计算第3折的拟合优度为：0.7334，MAE为0.3584，RMSE为1.6217，MAPE为3.2285———————————————完成本次的3折交叉验证———————————————————第2次重复K折，本次3折交叉验证的总体拟合优度均值为0.723893113441683，方差为0.1577702476056785总体MAE均值为0.3914201753688413，方差为0.0723024001955509总体RMSE均值为2.134188184101481，方差为1.3001480884844312总体MAPE均值为2.16926700543488，方差为1.054037140770381====================================================================================================================正在进行第3次重复K折.....随机数种子为2开始本次在3折数据上的交叉验证.......正在进行第1折的计算第1折的拟合优度为：0.8149，MAE为0.3709，RMSE为1.2755，MAPE为3.4917正在进行第2折的计算第2折的拟合优度为：0.759，MAE为0.3612，RMSE为1.7133，MAPE为1.5378正在进行第3折的计算第3折的拟合优度为：0.4928，MAE为0.4426，RMSE为3.8865，MAPE为1.5668———————————————完成本次的3折交叉验证———————————————————第3次重复K折，本次3折交叉验证的总体拟合优度均值为0.688911890284598，方差为0.1405413525714651总体MAE均值为0.39156320132013217，方差为0.03629566064010328总体RMSE均值为2.2917865136481503，方差为1.1417413813810955总体MAPE均值为2.1988055874081742，方差为0.9143226546000691====================================================================================================================正在进行第4次重复K折.....随机数种子为3开始本次在3折数据上的交叉验证.......正在进行第1折的计算第1折的拟合优度为：0.8007，MAE为0.3457，RMSE为1.366，MAPE为0.6371正在进行第2折的计算第2折的拟合优度为：0.7519，MAE为0.4026，RMSE为1.6195，MAPE为2.696正在进行第3折的计算第3折的拟合优度为：0.5335，MAE为0.4128，RMSE为3.795，MAPE为3.053———————————————完成本次的3折交叉验证———————————————————第4次重复K折，本次3折交叉验证的总体拟合优度均值为0.6953494486212177，方差为0.11614834637464808总体MAE均值为0.38705033229496877，方差为0.029539032784274593总体RMSE均值为2.260164391836863，方差为1.09022294514881总体MAPE均值为2.1287335373456533，方差为1.0647308676641345====================================================================================================================正在进行第5次重复K折.....随机数种子为4开始本次在3折数据上的交叉验证.......正在进行第1折的计算第1折的拟合优度为：0.476，MAE为0.3845，RMSE为3.7705，MAPE为2.4277正在进行第2折的计算第2折的拟合优度为：0.6823，MAE为0.5015，RMSE为2.3399，MAPE为1.9511正在进行第3折的计算第3折的拟合优度为：0.9344，MAE为0.296，RMSE为0.6479，MAPE为2.1377———————————————完成本次的3折交叉验证———————————————————第5次重复K折，本次3折交叉验证的总体拟合优度均值为0.697579240530468，方差为0.1874164914708924总体MAE均值为0.39400183092135327，方差为0.08418015995547488总体RMSE均值为2.2527506508008055，方差为1.2762736734101292总体MAPE均值为2.17217444185678，方差为0.196086080141957====================================================================================================================

（6）评价指标可视化

plt.subplots(1,4,figsize=(16,3))
for i,col in enumerate(lgb_crosseval.columns):
    n=int(str('14')+str(i+1))
    plt.subplot(n)
    plt.plot(ran_crosseval[col], c= 'dimgray', label='随机森林')
    plt.plot(xgb_crosseval[col], c='aqua',marker='h', label='XGBOOST')
    plt.plot(der_crosseval[col], c='teal',marker='p', label='决策树')
    plt.plot(svr_crosseval[col], c='red',marker='*', label='支持向量机')
    plt.plot(mlp_crosseval[col], c='lawngreen', marker='s',label='神经网络')
    plt.plot(knr_crosseval[col], c='darkorange', marker='p',label='k邻近')
    
    plt.title(f'不同模型的{col}对比')
    plt.xlabel('重复交叉验证次数')
    plt.ylabel(col,fontsize=16)
    plt.legend(loc="upper right")
plt.tight_layout()
plt.savefig("squares.png",
            bbox_inches ="tight",
            pad_inches = 1,
            transparent = True,
            facecolor ="w",
            edgecolor ='w',
            dpi=300,
            orientation ='landscape')

输出结果：

（7）部分模型预测对比图

需要数据集的家人们可以去百度网盘（永久有效）获取：

链接：https://pan.baidu.com/s/1E59qYZuGhwlrx6gn4JJZTg?pwd=2138
提取码：2138 

更多优质内容持续发布中，请移步主页查看。

有任何问题，欢迎私信博主！

   点赞+关注,下次不迷路！

http://www.yayakq.cn/news/514988/

相关文章：

  • 小企业网站价格做网站分辨率多少
  • 淘宝网站建设策划书宝宝个人网站模板
  • 椒江区建设局网站农村电商网站建设方案
  • 百度怎样建立网站链接网站后台空间满了怎么办
  • 想自己做衣服上哪个网站学进入网站前如何做环境检测
  • 网站自适应怎么做移动互联网开发好就业吗
  • 福建省住房建设厅网站6流感用什么药更好
  • 网站充值接口怎么做建设工程信息在哪个网站
  • 合肥网站开发公司电话网站建设设计公司哪家好
  • 做中学网站脚上起小水泡很痒是什么原因
  • 扬中企业网站优化哪家好网站建设小企业案例
  • wordpress多站点教程网站自己怎么做优化
  • 聚通达网站建设如何引流推广
  • 国外的网站服务商企业取名
  • 一个域名可以绑定几个网站吗又拍云 wordpress使用
  • 网站单页在线做网站怎么写预算
  • 基于jsp的购物网站开发永川网站制作
  • 网站域名备案时间查询地推公司
  • 深圳龙岗网站建设公司哪家好用动易建设网站教程
  • 红色系 网站哈尔滨网站制作哪里专业
  • 设计网站推广公司网页制作wordpress更换字体
  • 哪些网站有任务做免费完整版的网站模板
  • 整站模板衣服定制
  • 做徽标的网站小程序开发教程推荐
  • 移动端手机网站制作中美关系最新消息今天视频
  • 西安手机网站制作的公司老兵老兵建设集团有限公司
  • 湖北省建设厅网站证件wordpress 地址插件
  • seo深圳网络推广贵阳做网站优化
  • 网站建设与管理实训报告总结做很多网站
  • 做直播大秀的平台和网站WordPress中文旅游主题