ML之回归预测：利用6个单独+2个集成模型(LassoR、KernelRidgeR、ElasticNetR、GBR、XGBR、LGBMR，Avg、Stacking)对自动驾驶数据集【5+1】进行回归预测

目录

利用6个单独+2个集成模型(LassoR、KernelRidgeR、ElasticNetR、GBR、XGBR、LGBMR，Avg、Stacking)对自动驾驶数据集【5+1】进行回归预测

输出结果

A号

B号

C号

D号

E号

实现代码

利用6个单独+2个集成模型(LassoR、KernelRidgeR、ElasticNetR、GBR、XGBR、LGBMR，Avg、Stacking)对自动驾驶数据集【5+1】进行回归预测

输出结果

A号

采用
A号
当前执行文件： A
数据集维度： (976, 6)
LassoR 5f-CV: 0.4462 (0.0563)
LassoR02 5f-CV: 0.5456 (0.0715)
LassoR02，train数据集 0.5526179336472097
LassoR02，test数据集  0.6732089198088576
-------------------------------------
KernelRidgeR 5f-CV: 0.6642 (0.0730)
KernelRidgeR，train数据集 0.6805860822980461
KernelRidgeR，test数据集  0.7405846022727811
-------------------------------------
ElasticNetR 5f-CV: 0.4462 (0.0569)
ElasticNetR02 5f-CV: 0.5456 (0.0715)
ElasticNetR02，train数据集 0.5526178479012465
ElasticNetR02，test数据集  0.6731992550553381
ElasticNetR02，新数据test数据集 -0.3208470395653842
-------------------------------------
GBR 5f-CV: 0.7282 (0.0836)
GBR，train数据集 0.8345981026354394
GBR，test数据集  0.8836426919685801
GBR，新数据test数据集 0.5423980510823256
-------------------------------------
XGBR 5f-CV: 0.5968 (0.1598)
XGBR，train数据集 0.9498792703466663
XGBR，test数据集  0.5294274976732699
-------------------------------------
LGBMR 5f-CV: 0.6800 (0.0813)
LGBMR，train数据集 0.752736654063432
LGBMR，test数据集 0.8351338223270363
LGBMR，新数据test数据集 0.13807006975794722
-------------------------------------
AverageModels：LassoR,ElasticNetR,GBR,对基模型进行集成之后的得分：0.6125 (0.0745)
Avg_models，train数据集 0.6522572454986824
Avg_models，test数据集 0.7573889394793365
Avg_models，新数据test数据集 0.28916724655645554
-------------------------------------
StackingAverageModels：对基模型进行集成之后的得分：0.7343 (0.0869)
stacked_averaged_model，train数据集 0.8151478562063295
stacked_averaged_model，test数据集 0.88386196685559
stacked_averaged_model，新数据test数据集 0.5691878150702203
采用datetime方法，run time： 0:01:01.575381

B号

B号当前执行文件： B
数据集维度： (976, 6)
LassoR 5f-CV: 0.8682 (0.0181)
LassoR02 5f-CV: 0.9002 (0.0174)
LassoR02，train数据集 0.9044985042907371
LassoR02，test数据集  0.8673000279695428
-------------------------------------
KernelRidgeR 5f-CV: 0.9258 (0.0078)
KernelRidgeR，train数据集 0.9315871006958186
KernelRidgeR，test数据集  0.8942765729762692
-------------------------------------
ElasticNetR 5f-CV: 0.8347 (0.0172)
ElasticNetR02 5f-CV: 0.9002 (0.0174)
ElasticNetR02，train数据集 0.9044982115579915
ElasticNetR02，test数据集  0.8672996184647543
ElasticNetR02，新数据test数据集 0.8674386633384231
-------------------------------------
GBR 5f-CV: 0.9401 (0.0107)
GBR，train数据集 0.9755252565420509
GBR，test数据集  0.8996646737870632
GBR，新数据test数据集 0.9427855469298937
-------------------------------------
XGBR 5f-CV: 0.9101 (0.0097)
XGBR，train数据集 0.9897386330527567
XGBR，test数据集  0.8868620964266498
-------------------------------------
LGBMR 5f-CV: 0.9273 (0.0098)
LGBMR，train数据集 0.945565822230994
LGBMR，test数据集 0.9016106378522288
LGBMR，新数据test数据集 0.912239659510246
-------------------------------------
AverageModels：LassoR,ElasticNetR,GBR,对基模型进行集成之后的得分：0.9055 (0.0121)
Avg_models，train数据集 0.9212338840029927
Avg_models，test数据集 0.863624230603216
Avg_models，新数据test数据集 0.8975084453268236
-------------------------------------
StackingAverageModels：对基模型进行集成之后的得分：0.9311 (0.0075)
stacked_averaged_model，train数据集 0.9599075263022011
stacked_averaged_model，test数据集 0.889341316554694
stacked_averaged_model，新数据test数据集 0.9325797993358927
采用datetime方法，run time： 0:01:02.191890

C号

C号
当前执行文件： C
数据集维度： (992, 6)
LassoR 5f-CV: 0.9162 (0.0212)
LassoR02 5f-CV: 0.9394 (0.0170)
LassoR02，train数据集 0.9421471737329558
LassoR02，test数据集  0.9487974269403479
-------------------------------------
KernelRidgeR 5f-CV: 0.9493 (0.0162)
KernelRidgeR，train数据集 0.9540306526082301
KernelRidgeR，test数据集  0.9596055911175015
-------------------------------------
ElasticNetR 5f-CV: 0.8827 (0.0224)
ElasticNetR02 5f-CV: 0.9394 (0.0170)
ElasticNetR02，train数据集 0.9421469155702737
ElasticNetR02，test数据集  0.948805353495871
ElasticNetR02，新数据test数据集 0.8962208077263352
-------------------------------------
GBR 5f-CV: 0.9522 (0.0178)
GBR，train数据集 0.9812404272642893
GBR，test数据集  0.9628921396241023
GBR，新数据test数据集 0.9286964893022183
-------------------------------------
XGBR 5f-CV: 0.9415 (0.0138)
XGBR，train数据集 0.9935321998599262
XGBR，test数据集  0.9428326454095193
-------------------------------------
LGBMR 5f-CV: 0.9490 (0.0138)
LGBMR，train数据集 0.9631366427757451
LGBMR，test数据集 0.9541622027766108
LGBMR，新数据test数据集 0.9235228606241966
-------------------------------------
AverageModels：LassoR,ElasticNetR,GBR,对基模型进行集成之后的得分：0.9345 (0.0177)
Avg_models，train数据集 0.9460855063551356
Avg_models，test数据集 0.9457779219867603
Avg_models，新数据test数据集 0.8446597495667174
-------------------------------------
StackingAverageModels：对基模型进行集成之后的得分：0.9460 (0.0164)
stacked_averaged_model，train数据集 0.9599739253607553
stacked_averaged_model，test数据集 0.9557181998955516
stacked_averaged_model，新数据test数据集 0.8723757365944271
采用datetime方法，run time： 0:01:08.054631

D号

D号当前执行文件： D
数据集维度： (976, 6)
LassoR 5f-CV: 0.9282 (0.0068)
LassoR02 5f-CV: 0.9461 (0.0061)
LassoR02，train数据集 0.9471148715997768
LassoR02，test数据集  0.9429608871646722
-------------------------------------
KernelRidgeR 5f-CV: 0.9565 (0.0074)
KernelRidgeR，train数据集 0.9598698223204599
KernelRidgeR，test数据集  0.9591428004019469
-------------------------------------
ElasticNetR 5f-CV: 0.8893 (0.0113)
ElasticNetR02 5f-CV: 0.9461 (0.0061)
ElasticNetR02，train数据集 0.9471145971130267
ElasticNetR02，test数据集  0.9429656516481226
ElasticNetR02，新数据test数据集 0.8777321831171115
-------------------------------------
GBR 5f-CV: 0.9663 (0.0075)
GBR，train数据集 0.9918880970087767
GBR，test数据集  0.9658277751143205
GBR，新数据test数据集 0.9352642469253626
-------------------------------------
XGBR 5f-CV: 0.9604 (0.0086)
XGBR，train数据集 0.9944473922887758
XGBR，test数据集  0.955746276336988
-------------------------------------
LGBMR 5f-CV: 0.9553 (0.0100)
LGBMR，train数据集 0.9702793029760722
LGBMR，test数据集 0.9650928908111341
LGBMR，新数据test数据集 0.9020016455510226
-------------------------------------
AverageModels：LassoR,ElasticNetR,GBR,对基模型进行集成之后的得分：0.9456 (0.0074)
Avg_models，train数据集 0.9562357762096392
Avg_models，test数据集 0.9508352738032931
Avg_models，新数据test数据集 0.8901985855607647
-------------------------------------
StackingAverageModels：对基模型进行集成之后的得分：0.9620 (0.0063)
stacked_averaged_model，train数据集 0.9799219877896265
stacked_averaged_model，test数据集 0.9649203326842157
stacked_averaged_model，新数据test数据集 0.9204436346295952
采用datetime方法，run time： 0:01:02.149102

E号

E号
当前执行文件： E
数据集维度： (981, 6)
LassoR 5f-CV: 0.9284 (0.0107)
LassoR02 5f-CV: 0.9640 (0.0083)
LassoR02，train数据集 0.9658976879702919
LassoR02，test数据集  0.9746237435933648
-------------------------------------
KernelRidgeR 5f-CV: 0.9720 (0.0076)
KernelRidgeR，train数据集 0.976488382261757
KernelRidgeR，test数据集  0.9829086884762668
-------------------------------------
ElasticNetR 5f-CV: 0.8831 (0.0137)
ElasticNetR02 5f-CV: 0.9640 (0.0083)
ElasticNetR02，train数据集 0.9658973583247863
ElasticNetR02，test数据集  0.9746148277482753
ElasticNetR02，新数据test数据集 0.8972363606065893
-------------------------------------
GBR 5f-CV: 0.9800 (0.0050)
GBR，train数据集 0.9949604446786614
GBR，test数据集  0.9851938616003065
GBR，新数据test数据集 0.9414241262215136
-------------------------------------
XGBR 5f-CV: 0.9760 (0.0053)
XGBR，train数据集 0.996190501087066
XGBR，test数据集  0.9817664166540716
-------------------------------------
LGBMR 5f-CV: 0.9710 (0.0053)
LGBMR，train数据集 0.9797176065207025
LGBMR，test数据集 0.9809832229901967
LGBMR，新数据test数据集 0.919767401386678
-------------------------------------
AverageModels：LassoR,ElasticNetR,GBR,对基模型进行集成之后的得分：0.9502 (0.0089)
Avg_models，train数据集 0.9580133569841862
Avg_models，test数据集 0.9571445156072284
Avg_models，新数据test数据集 0.9199032589012549
-------------------------------------
StackingAverageModels：对基模型进行集成之后的得分：0.9707 (0.0076)
stacked_averaged_model，train数据集 0.9830711403871105
stacked_averaged_model，test数据集 0.9788245785417383
stacked_averaged_model，新数据test数据集 0.9568397587253009
采用datetime方法，run time： 0:01:03.587847

实现代码

更新……

ML之回归预测：利用6个单独+2个集成模型(LassoR、KernelRidgeR、ElasticNetR、GBR、XGBR、LGBMR，Avg、Stacking)对自动驾驶数据集【5+1】回归预测相关推荐

  1. ML之回归预测：利用多个算法模型(LassoR、KernelRidgeR、ElasticNetR、GBR、LGBMR、XGBR)对国内某平台上海2020年6月份房价数据集【12+1】进行回归预测

    ML之回归预测:利用多个算法模型(LassoR.KernelRidgeR.ElasticNetR.GBR.LGBMR.XGBR)对国内某平台上海2020年6月份房价数据集[12+1]进行回归预测(包括 ...

  2. DL之LSTM：基于tensorflow框架利用LSTM算法对气温数据集训练并回归预测

    DL之LSTM:基于tensorflow框架利用LSTM算法对气温数据集训练并回归预测 目录 输出结果 核心代码 输出结果 数据集 tensorboard可视化 iter: 0 loss: 0.010 ...

  3. ML之FE：风控场景之金融评分卡模型之利用LoR模型权重变量系数正负符号结合p-value/P值大小实现变量筛选

    ML之FE:风控场景之金融评分卡模型之利用LoR模型权重变量系数正负符号结合p-value/P值大小实现变量筛选 目录 利用LoR模型权重变量系数正负符号结合p-value/P值大小实现变量筛选

  4. arduino控制小车转向_利用XECU和激光雷达快速搭建入门级的自动驾驶小车

    利用XECU和激光雷达快速搭建入门级的自动驾驶小车 1 简介 如果关注过我们之前的推文和视频演示,相信大家对我们的XECU应该已经很熟悉了.那么今天就向大家介绍一下,如何利用我们的XECU和激光雷达快 ...

  5. 把地图中的道路以线条提取出来_入围 ICRA 2019 最佳论文：MIT利用粗粒度地图实现自动驾驶...

    MIT最新研究能够利用简单的GPS地图和视觉数据,模仿人类驾驶员的驾驶方式,将学到的知识应用于视障环境中的复杂计划路线,该论文入围ICRA2019最佳论文. 真正的人工智能不是只会机械处理数据,而是要 ...

  6. [Step By Step]SAP HANA PAL指数回归预测分析Exponential Regression编程实例EXPREGRESSION（模型）...

    指数回归预测分析编程规范(模型):http://www.cnblogs.com/omygod/archive/2013/05/15/3079517.html 指数回归预测分析编程规范(预测):http ...

  7. 怎样才能在自动驾驶任务中高效地利用时间轴上的信息进行视频检测？

    目录 这篇论文究竟想解决什么样的问题? 我们要尊重时间轴上的因果关系 我们对实时性有要求 简单粗暴地只添加LSTM模块行不行? 我们简单地回顾一下LSTM的原理 LSTM的局限性 作者建议的模型是如何 ...

  8. 机器学习集成模型ML ens学习——多层模型集成（一）

    集成模型就是把多个模型融合在一起使用,通过构建一层层的模型体系,最终得到不同模型的预测结果 首先安装:pip install mlens 案例 import pandas as pd from skl ...

  9. 【自动驾驶】如何利用深度学习搭建一个最简单的无人驾驶系统

                                                 新智驾按:本文为新智驾独家专栏,作者系佐思产研研究总监周彦武,新智驾经授权发布. 国内最牛的无人驾驶厂家的运算 ...

最新文章

  1. 从Xamarin.Essentials谈Xamarin库的封装
  2. 注意！下个月开始 GitHub 新建存储库的默认分支就不叫“master”了！
  3. nedc和epa续航里程什么意思_电动汽车续航能力NEDC、EPA、WTLP什么意思？哪个最硬核？...
  4. cf修改游戏客户端是什么意思_cf游戏客户端是什么
  5. Fiddler 教程
  6. 黑白群晖为Plex添加证书，开启HTTPS访问
  7. zoiper 软件_zoiper软件下载
  8. R 编程语言 - 简介
  9. 用计算机弹出音乐谱,计算器弹歌曲谱子
  10. java httpClient使用代理实现互联网公网访问
  11. vivado 2018.2官方下载
  12. [ FI基本业务流程 ] - FI与MM间的业务集成
  13. 短视频剪辑教程自学难吗?子苗教育
  14. svchost netsvcs占用内存过高 99% 100%的解决方法
  15. echarts map 地图做出立体效果
  16. 【图像融合】基于随机游走算法实现多焦点图像融合含Matlab代码
  17. php使用curl抓取网页自动跳转问题处理
  18. Web前端开发技术课程大作业，期末考试(英雄联盟LOL游戏静态网站制作 )
  19. Sparrow:分布式低延迟调度
  20. 不同HDR技术的比较

热门文章

  1. 对F-score的理解
  2. are exo exo是什么歌 we_are exo exo是什么歌 we_EXO we are one
  3. 编码最佳实践——Liskov替换原则
  4. 为什么前端开发这么不稳定？
  5. 一个ASP站内搜索的实例源代码
  6. ArcGIS注册SDE库数据源
  7. shell 中的return
  8. shell 中引用参数总结
  9. Spring 极速集成注解 Redis 实践
  10. 你这辈子可能都不需要看《计算机程序设计艺术》了！