Я новичок в обучении машинам. Я пытаюсь сделать простой прогноз с использованием линейной регрессии с «составленными» данными, которые следуют определенной схеме. По какой-то причине предсказание не соответствует данным обучения. Можете ли вы сообщить мне, что мне нужно исправить? Код образца нижеПрогнозирование линейной регрессии не соответствует данным обучения
from sklearn import linear_model
import numpy as np
X = np.random.randint(3, size=(3, 1000))
Y = np.random.randint(10, size=(1, 1000))
# f1, f2, f3 - min = 0, max = 2
# f1 = 0 and f2 = 1 then 7 <= Y < 10, irrespective of f3
# f1 = 1 and f2 = 2 Y is 0, irrespective of f3
# f1 = 0 and f2 = 2 if f3 = 2 then 3 <= Y < 7 else Y = 0
for i in range(1000):
if ((X[0][i] == 0 and X[1][i] == 1) or (X[0][i] == 1 and X[1][i] == 0)):
Y[0][i] = np.random.randint(7, 10)
elif ((X[0][i] == 1 and X[1][i] == 2) or (X[0][i] == 2 and X[1][i] == 1)):
Y[0][i] = 0
elif ((X[0][i] == 0 and X[1][i] == 2 and X[2][i] == 2) or
(X[0][i] == 2 and X[1][i] == 0 and X[2][i] == 2)):
Y[0][i] = np.random.randint(3, 7)
else:
Y[0][i] = 0
X1 = X.transpose()
Y1 = Y.reshape(-1, 1)
print zip(X1, Y1)
# create and fit the model
clf = linear_model.LinearRegression()
clf.fit(X1, Y1)
Z = np.array([[0, 0, 0, 0, 1, 1],
[1, 1, 2, 2, 2, 2],
[1, 2, 1, 2, 1, 2]])
Z1 = Z.transpose()
print Z1
y_predict = clf.predict(Z1)
print y_predict
уверен, что это лучший алгоритм для такого рода обучающих данных? – user6147957
Единственное дерево регрессии/регрессии (или очень маленький случайный лес) должно обрабатывать его просто отлично. – lejlot
Спасибо, что решение wasreeregressor отлично работает – user6147957