运行这个样本,为 5 次交叉验证的每一次 print 一个分数,然后 print 平均均方根误差(RMSE)。我们可以看到(在归一化的数据集上)该 RMSE 为 0.126。如果我们只是预测平均值的话(使用 Zero Rule Algorithm),那么这个结果就低于基准值 0.148。 Scores: [0.12259834231519767, 0.12733924130891316, 0.12610773846663892, 0.1289950071681572, 0.1272180783291014] Mean RMSE: 0.126 扩展 这里给出了一些扩展练习,你可以思考并尝试解决它们: 调整该实例。调整其学习率、epoch 的数量甚至原始数据处理和准备的方法,以期能提高最终结果。 批量进行随机梯度下降。改变随机梯度下降算法使其在每个 epoch 上累积更新,且仅在 epoch 结束时批量更新系数。 额外的回归问题。应用该技术来解决 UCI 机器学习库中的其它回归问题。 你会探索这些扩展任务吗? 回顾总结 本教程介绍了如何用 Python 实现带有随机梯度下降的多元线性回归算法。其中包括: 如何对多元线性回归问题做预测 如何优化用于随机梯度下降的系数设置 如何将该方法用于实际的回归预测模型问题 原文: ©本文为机器之心编译,转载请联系本公众号获得授权。 ?------------------------------------------------ 加入机器之心(全职记者/实习生):[email protected] 投稿或寻求报道:[email protected] 广告&商务合作:[email protected] (责任编辑:本港台直播) |