atheme wordpress整站优化与关键词排名

pingmian/2025/10/9 19:06:50/文章来源:
atheme wordpress,整站优化与关键词排名,淮安新港建设有限公司网站,做淘宝详情的网站随机森林超参数的网格优化#xff08;机器学习的精华–调参#xff09; 随机森林各个参数对算法的影响 影响力参数⭐⭐⭐⭐⭐几乎总是具有巨大影响力n_estimators#xff08;整体学习能力#xff09;max_depth#xff08;粗剪枝#xff09;max_features#xff08;随机…随机森林超参数的网格优化机器学习的精华–调参 随机森林各个参数对算法的影响 影响力参数⭐⭐⭐⭐⭐几乎总是具有巨大影响力n_estimators整体学习能力max_depth粗剪枝max_features随机性⭐⭐⭐⭐大部分时候具有影响力max_samples随机性class_weight样本均衡⭐⭐可能有大影响力大部分时候影响力不明显min_samples_split精剪枝min_impurity_decrease精剪枝max_leaf_nodes精剪枝criterion分枝敏感度⭐当数据量足够大时几乎无影响random_stateccp_alpha结构风险 探索的第一步学习曲线 先看看n_estimators的学习曲线当然我们也可以看一下其他参数的学习曲线 #参数潜在取值由于现在我们只调整一个参数因此参数的范围可以取大一些、取值也可以更密集 Option [1,*range(5,101,5)]#生成保存模型结果的arrays trainRMSE np.array([]) testRMSE np.array([]) trainSTD np.array([]) testSTD np.array([])#在参数取值中进行循环 for n_estimators in Option:#按照当下的参数实例化模型reg_f RFR(n_estimatorsn_estimators,random_state83)#实例化交叉验证方式输出交叉验证结果cv KFold(n_splits5,shuffleTrue,random_state83)result_f cross_validate(reg_f,X,y,cvcv,scoringneg_mean_squared_error,return_train_scoreTrue,n_jobs-1)#根据输出的MSE进行RMSE计算train abs(result_f[train_score])**0.5test abs(result_f[test_score])**0.5#将本次交叉验证中RMSE的均值、标准差添加到arrays中进行保存trainRMSE np.append(trainRMSE,train.mean()) #效果越好testRMSE np.append(testRMSE,test.mean())trainSTD np.append(trainSTD,train.std()) #模型越稳定testSTD np.append(testSTD,test.std())定义画图函数 def plotCVresult(Option,trainRMSE,testRMSE,trainSTD,testSTD):#一次交叉验证下RMSE的均值与std的绘图xaxis Optionplt.figure(figsize(8,6),dpi80)#RMSEplt.plot(xaxis,trainRMSE,colork,label RandomForestTrain)plt.plot(xaxis,testRMSE,colorred,label RandomForestTest)#标准差 - 围绕在RMSE旁形成一个区间plt.plot(xaxis,trainRMSEtrainSTD,colork,linestyledotted)plt.plot(xaxis,trainRMSE-trainSTD,colork,linestyledotted)plt.plot(xaxis,testRMSEtestSTD,colorred,linestyledotted)plt.plot(xaxis,testRMSE-testSTD,colorred,linestyledotted)plt.xticks([*xaxis])plt.legend(loc1)plt.show()plotCVresult(Option,trainRMSE,testRMSE,trainSTD,testSTD)当绘制学习曲线时我们可以很容易找到泛化误差开始上升、或转变为平稳趋势的转折点。因此我们可以选择转折点或转折点附近的n_estimators取值例如20。然而n_estimators会受到其他参数的影响例如 单棵决策树的结构更简单时依赖剪枝时可能需要更多的树单棵决策树训练的数据更简单时依赖随机性时可能需要更多的树 因此n_estimators的参数空间可以被确定为range(20,100,5)如果你比较保守甚至可以确认为是range(15,25,5)。 探索第二步随机森林中的每一棵决策树 属性.estimators_查看森林中所有的树 参数参数含义对应属性属性含义n_estimators树的数量reg.estimators_森林中所有树对象max_depth允许的最大深度.tree_.max_depth0号树实际的深度max_leaf_nodes允许的最大叶子节点量.tree_.node_count0号树实际的总节点量min_sample_split分枝所需最小样本量.tree_.n_node_samples0号树每片叶子上实际的样本量min_weight_fraction_leaf分枝所需最小样本权重tree_.weighted_n_node_samples0号树每片叶子上实际的样本权重min_impurity_decrease分枝所需最小不纯度下降量.tree_.impurity.tree_.threshold0号树每片叶子上的实际不纯度0号树每个节点分枝后不纯度下降量 可以通过对上述属性的调用查看当前模型每一棵树的各个属性对我们对于参数范围的选择给予帮助。 正戏开始网格搜索 import numpy as np import pandas as pd import sklearn import matplotlib as mlp import matplotlib.pyplot as plt import time #计时模块time from sklearn.ensemble import RandomForestRegressor as RFR from sklearn.model_selection import cross_validate, KFold, GridSearchCV# 定义RMSE函数 def RMSE(cvresult,key):return (abs(cvresult[key])**0.5).mean()#导入波士顿房价数据 data pd.read_csv(rD:\Pythonwork\datasets\House Price\train_encode.csv,index_col0) #查看数据 data.head() X data.iloc[:,:-1] y data.iloc[:,-1]Step 1.建立benchmark # 定义回归器 reg RFR(random_state83) # 进行5折交叉验证 cv KFold(n_splits5,shuffleTrue,random_state83)result_pre_adjusted cross_validate(reg,X,y,cvcv,scoringneg_mean_squared_error,return_train_scoreTrue,verboseTrue,n_jobs-1) #分别查看训练集和测试集在调参之前的RMSE RMSE(result_pre_adjusted,train_score) RMSE(result_pre_adjusted,test_score)结果分别是 11177.272008319653 30571.26665524217 Step 2.创建参数空间 param_grid_simple {criterion: [squared_error,poisson], n_estimators: [*range(20,100,5)], max_depth: [*range(10,25,2)], max_features: [log2,sqrt,16,32,64,auto], min_impurity_decrease: [*np.arange(0,5,10)]}Step 3.实例化用于搜索的评估器、交叉验证评估器与网格搜索评估器 #n_jobs4/8,verboseTrue reg RFR(random_state1412,verboseTrue,n_jobs-1) cv KFold(n_splits5,shuffleTrue,random_state83) search GridSearchCV(estimatorreg,param_gridparam_grid_simple,scoring neg_mean_squared_error,verbose True,cv cv,n_jobs-1)Step 4.训练网格搜索评估器 #【TIME WARNING: 15mins】# 当然博主的电脑比较慢 start time.time() search.fit(X,y) print(time.time() - start)Step 5.查看结果 search.best_estimator_# 直接使用最优参数进行建模 ad_reg RFR(n_estimators85, max_depth23, max_features16, random_state83)cv KFold(n_splits5,shuffleTrue,random_state83) result_post_adjusted cross_validate(ad_reg,X,y,cvcv,scoringneg_mean_squared_error,return_train_scoreTrue,verboseTrue,n_jobs-1) #查看调参后的结果 RMSE(result_post_adjusted,train_score) RMSE(result_post_adjusted,test_score)得出结果 11000.81099038192 28572.070208366855 调参前后对比 #默认值下随机森林的RMSE xaxis range(1,6) plt.figure(figsize(8,6),dpi80) #RMSE plt.plot(xaxis,abs(result_pre_adjusted[train_score])**0.5,colorgreen,label RF_pre_ad_Train) plt.plot(xaxis,abs(result_pre_adjusted[test_score])**0.5,colorgreen,linestyle--,label RF_pre_ad_Test) plt.plot(xaxis,abs(result_post_adjusted[train_score])**0.5,colororange,label RF_post_ad_Train) plt.plot(xaxis,abs(result_post_adjusted[test_score])**0.5,colororange,linestyle--,label RF_post_ad_Test) plt.xticks([1,2,3,4,5]) plt.xlabel(CVcounts,fontsize16) plt.ylabel(RMSE,fontsize16) plt.legend() plt.show()不难发现网格搜索之后的模型过拟合程度减轻且在训练集与测试集上的结果都有提高可以说从根本上提升了模型的基础能力。我们还可以根据网格的结果继续尝试进行其他调整来进一步降低模型在测试集上的RMSE。

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mzph.cn/pingmian/88839.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

seo网站开发html交易网站设计实例

使用timeit模块进行速度测试,使用profile模块进行性能统计,使用dis模块进行字节码反汇编.下面的脚本演示了如何使用模块.从输出中注意到的一件事是函数调用的数量会影响整体性能(当然,字节码指令的数量也是如此).希望,(以及更多实验)应该为您提供有关如何提高功能效率的足够线索…

站酷网站的比赛网页谁做的上海网站推广定制

计算机、通信以及消费类电子产业的快速发展成为示波器发展的不竭动力&#xff1b;厂商不断从技术上对示波器进行改进更使其发展日新月异。 <?xml:namespace prefix o ns "urn:schemas-microsoft-com:office:office" />数字示波器自它诞生的第一天起&#xf…

网站上传后没有后台上海高端seo公司

一、明白社群运营的目的1、社群的目的确立任何一个社群(组织)成立的时分&#xff0c;都是承载着一定的目的的&#xff0c;这个目的就像是北极星一样&#xff0c;指引着我们的方向。确立运营目的的过程&#xff0c;也是在寻觅北极星的过程。社群运营属于触达用户的一种方式&…

网站备案幕布大小彩票网站的表格是如何做的

正题 题目大意 nnn个点的一棵树&#xff0c;每个节点有一个值valvalval和一个字符串SSS。对于每个点求∑x∈decp∑y∈decp(x<y)(valxxorvaly)∗∣LCP(Sx,Sy)∣\sum_{x\in dec_p}\sum_{y\in dec_p(x<y)}(val_x\ xor\ val_y)*|LCP(S_x,S_y)|x∈decp​∑​y∈decp​(x<y)…

综合网站开发设计中国建设银行网站用户是什么

在 XP 系统下不能建立叫 con 的文件! 不知其他朋友也是这样? 转载于:https://www.cnblogs.com/del/archive/2009/04/26/1444175.html

南通通州区网站制作wordpress 博客插件

1、手机触屏不灵敏小伙伴们经常说&#xff0c;我的手机偶尔会反应不灵敏。需要连续点击几次&#xff0c;有时候半天才有反应。这是为什么呢&#xff1f;这很可能是由于一些操作不当造成的&#xff1a;1.非原装充电器输出电压不稳定&#xff1b;2.屏幕保护膜导致触屏的不灵敏&am…

网站建设公司商务网站项目书网站建设专题页

承载16个量子点交叉条阵列的量子芯片&#xff0c;可无缝集成到棋盘图案&#xff08;图片来源&#xff1a;网络&#xff09; 由荷兰代尔夫特理工大学(TU Delft)和荷兰应用科学研究组织(TNO)组建的荷兰量子计算研究中心QuTech的研究人员开发了一种用相对较少的控制线来控制大量量…

童装网站建设目标宁波网站推广方案

文章目录 前言一、抽象类和接口对比二、举例说明三种情况1.接口实现类接口 2.抽象类实现类抽象类实现类(子类) 3.抽象类实现接口接口抽象类三个实现类 总结 前言 抽象类和接口其实都是抽象的一种,那么他俩有何异同呢? 抽象类实现接口的意义何在? 一、抽象类和接口对比 接口…

马鞍山建设网站马和人做人和牛做网站

告警解释 系统每天二十三点检查一次当前系统中的证书文件&#xff0c;如果当前时间距离过期时间不足告警阈值天数&#xff0c;则证书文件即将过期&#xff0c;产生该告警。告警阈值天数的配置请参考《管理员指南》的“配置证书即将过期告警阈值”章节。 当重新导入一个正常证…

广州开发小程序企业seo网络营销

Java内存模型: 内存分布情况及其关系: 主内存:Java内存模型规定所有的变量都保存在主内存中 工作内存:每个线程都有自己的工作内存,保存了该线程使用到的变量的主内存副本拷贝 主内存与工作内存的关系: 线程对变量的所有操作都必须在自己的工作内存中进行,不能直接读写主内存…

免费行情软件app网站大全下载u288北京住建局

智能优化算法应用&#xff1a;基于北方苍鹰算法无线传感器网络(WSN)覆盖优化 - 附代码 文章目录 智能优化算法应用&#xff1a;基于北方苍鹰算法无线传感器网络(WSN)覆盖优化 - 附代码1.无线传感网络节点模型2.覆盖数学模型及分析3.北方苍鹰算法4.实验参数设定5.算法结果6.参考…

移动网站建设生要女延吉哪家网站建设公司好

解决办法&#xff1a;上次我的复制 ctrl c不能用就是打开的QQ系统设置&#xff0c;只保留qq的截图快捷键&#xff0c;其他的都是无。 哎&#xff0c;一会又热键冲突了&#xff0c;卸载了搜狗输入法就没事了&#xff0c;原来搜狗的问题。转载于:https://www.cnblogs.com/xiaofa…

广州网站推广方案视频分享网站建设难吗

前面2期内容&#xff0c;主要给大家重点介绍了Runway视频生成技术的核心产品功能板块Gen1、Gen2、FI使用教程&#xff0c;还没有看过的小伙伴可以回看往期文章。除了视频生成AI技术外&#xff0c;Runway还具有图片、视频后期处理30多项单个功能&#xff0c;例如视频修复、视频主…

兰州专业网站建设公司泰安的网站建设公司

ES6版本 function countdown(endTime, includeSeconds true) {// 获取当前时间let now new Date();// 将传入的结束时间字符串转换为日期对象let endDateTime new Date(endTime);// 检查传入的时间字符串是否只包含日期&#xff08;不包含时分秒&#xff09;if (endTime.tr…

北仑网站建设29gz上海建设网站方法

文档讲解&#xff1a;打家劫舍 打家劫舍II 打家劫舍III 198.打家劫舍 题目链接&#xff1a;https://leetcode.cn/problems/house-robber/description/ 思路&#xff1a; 设dp[i]&#xff1a;考虑下标i&#xff08;包括i&#xff09;以内的房屋&#xff0c;最多可以偷窃的金…

免费网页代理ip地址网站观澜做网站公司

sentinel中监听器的运用–规则管理 规则结构 类图关系 类关系图如下 Rule 将规则抽象成一个类, 规则与资源是紧密关联的, 也就是说规则作用于资源。因此, 我们需要将规则表示为一个类, 并包含一个获取资源的方法 这里采用接口的原因就是规则是一个抽象概念而非具体实现。…

废旧网站那个做的最好网站模板出售

咨询区 Guilherme Ferreira&#xff1a;我通过 post 方式向我的一个webapi中提交数据&#xff0c;然后插入到数据库中&#xff0c;在 ui端&#xff0c;当用户点击某一个 button 之后&#xff0c;代码会将 button 禁用&#xff0c;但因为某些原因&#xff0c;点击按钮的速度比禁…

购物网站的首页是静态详细描述建设一个网站的具体步骤

文章目录 [toc]试题编号试题名称时间限制内存限制问题描述输入格式输出格式样例输入样例输出样例说明评测用例规模与约定Python实现 试题编号 202309-1 试题名称 坐标变换&#xff08;其一&#xff09; 时间限制 1.0s 内存限制 512.0MB 问题描述 对于平面直角坐标系上的坐标 (…

无锡专业做网站望野王绩翻译

Express 框架 Express 是一个简洁而灵活的 node.js Web应用框架, 提供了一系列强大特性帮助你创建各种 Web 应用&#xff0c;和丰富的 HTTP 工具。 使用 Express 可以快速地搭建一个完整功能的网站。 Express 框架核心特性&#xff1a; 可以设置中间件来响应 HTTP 请求。 定…

网站搭建哪家好网站建设费用的会计分录

姑姑和堂弟从老家呼伦贝尔来北京&#xff0c;我拍下了这张照片。