prediction

    1熱度

    2回答

    我真的是python世界的新手。 我已經看到了在trainset和testset中分裂的例子。但僅限於數字類型。例如: import random with open("datafile.txt", "rb") as f: data = f.read().split('\n') random.shuffle(data) train_data = data[:50] test

    2熱度

    1回答

    預測考慮到可以通過創建模型列表: fits = vector(mode="list",length=10) for(i in 1:10) { fits[[i]] = lm(nox~poly(dis,i),data=Boston) } 其中,用於Boston數據集,可以在MASS庫中找到。現在 ,爲了做出預測: dislim = range(Boston$dis) dis.gr

    0熱度

    1回答

    我對預測算法有這樣的想法,該預測算法基於來自被選集合中的項目的先前出現的序列的準確度來預測隨機值,並分析該模式以提高準確度。 所以基本上一個接受兩個參數的算法,一個是一組可能的選擇;另一個是這些數字的歷史,分析該模式並預測序列中的下一個數字。 這對其他人有意義嗎? 如果是這樣,那麼您將如何編寫這樣的算法? 你會說什麼語言? 目標是重疊樣本集中的模式識別,找到相關性並建立一個方程來預測某種程度的準確

    0熱度

    1回答

    我使用了兩種方法來計算randomForest上訓練集的AUC,但我得到了非常不同的結果。這兩種方法如下:計算車組的AUC的 `rf_p_train <- predict(rfmodel, type="prob",newdata = train)[,'yes'] rf_pr_train <- prediction(rf_p_train, train$y) r_auc_train[i] <- p

    2熱度

    1回答

    最近我強迫我的神經網絡學習異或函數,但現在我想預測給定日期的貨幣匯率。對於XOR函數來說很容易,因爲輸入和輸出落在[0; 1)之間。 匯率: 應該對輸入和輸出進行歸一化處理嗎?如果是的話如何?網絡應該有多少層?有多少輸入 - 我在考慮1個輸入(時間或某種表示)。 我打算使用:多層網絡,sigmoid函數,帶有nesterov動量的梯度下降。

    1熱度

    1回答

    我努力做到以下幾點: vc = VotingClassifier(estimators=[('gbc',GradientBoostingClassifier()), ('rf',RandomForestClassifier()),('svc',SVC(probability=True))], voting='soft',n_jobs=-1) params

    0熱度

    2回答

    我正在寫一個python程序,要求你預測死亡。你從5歐元開始,如果你贏了,你可以贏得5歐元,如果你是1歐元,則賠1歐元,如果賠率超過1歐則賠3歐元。 def main(): while True: saldo = 5 y = input("[R]oll or [S]top") if y == "r" : p = input("What

    2熱度

    2回答

    我想基於JavaScript中的過去利潤來對未來的組織進行簡單的利潤預測。我的數據集的日期是x軸,利潤是y軸。我是數據分析的新手,基本上我沒有知識,我不確定哪種預測算法最適合。 我做了一些研究here和here,發現我實際上可以使用線性迴歸預測算法。但是,從這些例子中,我只看到預測算法只是根據數據繪製一條直線來找出迴歸值,並且它根本沒有預測任何未來值。 我不知道上面提到的算法是否適用於我的情況?

    1熱度

    3回答

    當y包含了新的標籤,我有這樣一個系列: df['ID'] = ['ABC123', 'IDF345', ...] 我使用scikit的LabelEncoder將其轉換爲數值被送入RandomForestClassifier。 培訓期間,我做如下: le_id = LabelEncoder() df['ID'] = le_id.fit_transform(df.ID) 但是,現在的測試/預

    0熱度

    2回答

    我有一組預測是部分相關的,我想將它們減少到一個功能集並使用簡化模型進行預測。我能找到一個很好的拉姆達使用 > require(glmnet); require(glmnetUtils) > cvfit <- cv.glmnet( + SpeakerGroup ~ Age +transient_mean +syllablerate+syllablerate_sd+intensitysfract