如何训练具有多个3D数组的回归模型？
训练具有多个3D数组的回归模型可以通过以下步骤实现：
- 数据准备：首先，准备好用于训练的数据集。每个样本应该是一个包含多个3D数组的数据结构。确保数据集中的每个样本都有相应的目标值，以便进行回归训练。
- 特征工程：对于每个3D数组，可以进行特征提取或转换，以便将其表示为更具有信息量的特征。这可以包括统计特征、频域特征、空间特征等。特征工程的目的是提取出对回归任务有意义的特征。
- 模型选择：选择适合回归任务的模型。常见的回归模型包括线性回归、决策树回归、支持向量回归、神经网络回归等。根据具体情况选择合适的模型。
- 数据划分：将数据集划分为训练集和测试集。通常，将大部分数据用于训练，少部分用于测试。这样可以评估模型在未见过的数据上的性能。
- 模型训练：使用训练集对选择的回归模型进行训练。通过迭代优化模型参数，使模型能够最好地拟合训练数据。
- 模型评估：使用测试集评估训练好的模型的性能。常见的评估指标包括均方误差（MSE）、均方根误差（RMSE）、平均绝对误差（MAE）等。
- 模型优化：根据评估结果，对模型进行优化。可以尝试调整模型的超参数、增加训练数据量、进行特征选择等方法来提升模型性能。
- 模型应用：在实际应用中，使用训练好的回归模型对新的3D数组数据进行预测。根据具体需求，可以将模型集成到其他系统中，实现自动化的预测功能。
在腾讯云的产品中，可以使用腾讯云机器学习平台（https://cloud.tencent.com/product/tiia）来训练和部署回归模型。该平台提供了丰富的机器学习算法和模型训练工具，可以帮助开发者快速构建和部署回归模型。
相关·内容
1回答
我想用3D数组训练我的回归模型？我如何在Python中实现它？你能帮我引路吗？实际上我想通过给出多个3D数组的输入来预测回归值。是否可以从多个3d数组中预测单个浮点数？谢谢 train.model((x1，x2，x3..xN)，y值)。 其中x1、x2、..xN是3D数组。而Y仅输出单个浮点数。
浏览 50提问于2021-01-28得票数 0
我想加载一个我以前训练过的模型，然后用新的训练数据更新这个模型。但我发现这个任务很难完成。
我从那里学到
实现weka.classifiers.UpdateableClassifier接口的分类器可以递增地接受训练。
然而，我训练的回归模型使用的是weka.classifiers.functions.MultilayerPerceptron分类器，它没有实现UpdateableClassifier。
然后我检查了Weka API，结果发现没有回归分类器实现了UpdateableClassifier.。
如何在Weka中训练回归模型，然后在加载模型后用新的训练数据对模型进行更新？
浏览 3提问于2013-11-22得票数 1
1回答
我训练了一个XGBoost回归模型，它试图预测运动提供的转换数。自变量是每月虚拟，位置虚拟，和4列竞选规则(数字)。总共有6列ind。变量。我训练了模特。现在我试着用这个模型来预测一个特定的竞选活动的表现。我的目标是输入新活动的规则、月份和地点，并得到XGBoost预测的转换量。您知道如何在Python中实现这种预测吗？谢谢
浏览 0提问于2022-02-10得票数 0
回答已采纳
1回答
多项式回归中的过拟合，比较训练集的均方误差和验证集的均方误差。
我不太理解这张图。在训练模型以学习参数时，我们必须设置λ=0，因为已经选择了λ的值并继续进行培训是没有意义的。，那么，随着λ值的变化，训练错误是如何变化的呢？将数据集划分为有效数据集和训练数据集，在训练集中对模型进行训练，并通过有效集验证验证结果。
浏览 3提问于2021-12-25得票数 1
回答已采纳
1回答
我想在多个csv文件上训练一个机器学习模型，这些文件都是唯一的。每个文件都是篮球比赛的时间序列数据的集合。我想训练一个模型来观察每一场比赛，并能够预测结果。我应该简单地告诉sci kit learn或另一个包来迭代感兴趣的文件夹中的文件并对每个文件运行回归吗？提前谢谢你。
浏览 25提问于2019-10-20得票数 1
1回答
是否可以并行训练多种不同的滑雪板模型？
例如，我想同时训练一个支持向量机，一个RandomForest和一个线性回归模型。所需的输出将是.fit方法返回的对象列表。
浏览 0提问于2017-12-26得票数 1
2回答
我正在尝试重新创建一个经过训练的模型的预测，但我不知道如何保存模型。例如，我希望保存经过训练的高斯处理回归模型，并在训练该模型后重新创建预测。我用来训练模型的包是scikit-learn。
kernel = DotProduct() + WhiteKernel()
gpr = GaussianProcessRegressor(kernel=kernel,random_state=0)
gpr.fit(X,y)
浏览 3提问于2019-05-13得票数 14
2回答
我们已经为一些回归任务训练了一个额外的树模型。我们的模型由3个额外的树组成，每个树有200棵深度为30的树。在3棵额外的树的顶部，我们使用了一个脊回归。
我们训练了我们的模型几个小时，pickled训练模型(整个类对象)，供以后使用。但是，节省训练的型号太大了，大约140 GB！
是否有办法减少保存的模型的大小？在pickle中是否有任何可以帮助的配置，或者对pickle有什么替代方案？
浏览 3提问于2017-04-24得票数 13
回答已采纳
1回答
我将建立一个模型(例如多元线性回归)来预测我所在城市的公寓成本。首先，我必须在训练数据中找出异常值。对于这个任务，RANSAC回归算法看起来很有吸引力，因为它不仅允许检测异常值，而且还允许构建模型本身。有一件事让我感到困惑，那就是如何测试受过训练的模型。检验模型是否具有良好预测能力的标准方法是对列车数据和测试数据进行分割，并在测试数据上应用经过训练的模型。对于RANSAC，这将不起作用，因为测试数据也有异常值，而且它们会偏倚模型的分数。
我的问题是，我们如何才能检查受过训练的模型是否好？
浏览 0提问于2023-03-11得票数 0
我用一些数据训练了一个逻辑回归模型。我应用标准标量来训练和测试数据，训练模型。但是，如果我想用训练和测试数据之外的数据对模型进行预测，我必须对新数据应用标准标量，但如果我有单个数据，那么我不能对我想要作为输入的新的单个样本应用标准标量。用新数据，特别是一次一个样本来预测结果的程序应该是什么？
浏览 17提问于2019-06-23得票数 2
Azure ML如何在训练线性回归模型期间处理分类列？线性回归模型采用连续值。然而，即使我没有更改这些分类列中的任何内容，Azure ML也没有错误地训练线性和逻辑回归。所以我想知道Azure ML是如何在幕后处理分类列的。谢谢!
浏览 1提问于2015-10-31得票数 1
4回答
是否有可能在Xgboost中训练具有多个连续输出(多元回归)的模型？训练这样一个模型的目标是什么？
提前感谢您的任何建议
浏览 23提问于2016-09-17得票数 32
我正在使用新的高级api构建tensorflow模型。我的模型看起来像下面的截图
。
实际上，由于模型是用来模拟游戏操作的，所以模型比模型更复杂。分类负责决定是否是行动的好时机。然后，回归将提供有关该操作的详细信息。它包含CNN和RNN的组合。
然而，由于复杂性和内存消耗，不可能将分类和回归作为两个网络同时训练和运行。另外，当我创建我的估计器时：
# Create the Estimator
mnist_classifier = tf.estimator.Estimator(
model_fn=cnn_model_fn, model_dir="/tmp/mnist_con
浏览 15提问于2017-08-25得票数 0
回答已采纳
我有一个多元数据集，包含A和B。我想看看A和B样本之间是否有差异。我目前对如何做到这一点有两个想法，但我不确定它们是否有效。
对A样本进行模型训练，对B样本分别进行模型训练，并比较回归系数。
用A样本训练一个模型，比较A样本和所有B样本的误差，看看误差有什么不同。
第一个解背后的思想过程是，如果两个数据集是相似的，所计算的回归系数也是相似的。我对第二个解决方案的想法是，如果这两个数据集足够相似，在A上训练的模型应该做得比较好预测B。然后我可以做一些统计检验，证实B的误差与A的遮挡没有显著的差别。
这条思路有意义吗？系数和误差的差异是否意味着数据集中的差异？我觉得这是不可行的，因为我在任何地方都
浏览 0提问于2021-10-21得票数 2
1回答
在多元线性回归模型中，为什么我们要比虚拟变量的总数少一个虚拟变量？
例如，如果模型包含4个虚拟变量，我们将更新特征向量以训练回归模型。x = x[:, 1:4]。
浏览 2提问于2018-08-19得票数 1
1回答
我用不同的回归技术训练了我的模型，我不确定该根据学习曲线选择哪种模型。
( 1)应该选择Lasso，因为训练和CV在末尾收敛，所以应该选择梯度增强，因为train和CV在中间收敛，并且获得比Lasso更低的RMSE分数。
📷
浏览 0提问于2019-04-26得票数 2
回答已采纳
2回答
我要参加安德鲁·吴的课程--机器学习。他提到，与训练神经网络相比，训练具有多项式特征的logistic回归模型对于某些任务来说是非常昂贵的。那是为什么呢？我的意思是，当我们谈论神经网络时，我们通常看到的是一个参数非常多的模型，那么，为什么逻辑回归在计算上会更昂贵呢？
PS:下面是一些上下文(在关于神经网络的练习开始时)：
在本练习的前一部分中，您实现了多类逻辑回归来识别手写数字。然而，logistic回归不能形成更复杂的假设，因为它只是一个线性分类器(可以在logistic回归中添加更多的特征，例如多项式特征，但这可能会非常昂贵)。
浏览 0提问于2019-08-22得票数 0
回答已采纳
我知道大多数人在线性回归模型上运行RFE来执行特征选择，例如，在使用Keras训练模型之前。
然而，在深层神经网络的训练过程中，是否可以这样做呢？如果是的话，怎么做？有什么坏处吗？
浏览 9提问于2022-10-12得票数 3
回答已采纳
背景
使用JavaScript，我需要将逻辑回归与我生成的数据集相匹配。具体来说，我需要拟合多元logistic回归，并且我想得到模型的β系数。如何用JavaScript编写此功能？
我试过的
js-regression ()：我使用了这个包中的逻辑回归示例，但是它似乎更倾向于训练模型，然后对数据进行分类。
machinelearn ()：我在他们的文档中看到了逻辑回归的例子，但是我没有能够让它开始工作。我还怀疑这个包更倾向于训练模型，然后对数据进行分类。
浏览 3提问于2020-12-16得票数 0
回答已采纳
1回答
我正试着开发一个电力消耗的预报员。所以我想用一整年的每日数据进行一次回归。我的数据集有几个特性。谷歌我发现我的问题是一个问题(请纠正我，如果我错了)。
我想要做的是用多个自变量和一个有n个滞后日的因变量训练一个回归的svm。下面是我的自变量的一个示例，实际上大约有10个变量。(我们使用PCA来确定哪些变量与我们的问题有一定的相关性)
Day Indep1 Indep2 Indep3
1 1.53 2.33 3.81
2 1.71 2.36 3.76
3 1.83 2.81 3.6
浏览 3提问于2012-08-30得票数 2
1回答
我试图解决一个回归问题，其中输入特征集的大小为54。
使用OLS线性回归和单一的预测因子'X1'，我无法解释Y的变化，因此我试图用回归林(即随机森林回归)来寻找其他重要的特征。所选的'X1‘后来被发现是最重要的特性。
我的数据集有14500条条目。我把它分成了9:1的训练和测试组。
我有以下问题：
在试图查找重要特性时，是在整个数据集上运行回归林，还是仅在培训数据上运行回归林？
一旦发现了重要的特征，是否应该使用最重要的几个特征重新构建模型，以查看特征选择是否以较小的成本提高了计算速度以获得预测能力？
现在，我已经使用训练集和所有的特性建立了模型，并且我正在
浏览 1提问于2017-08-29得票数 0
2回答
我有一个训练数据集，它有3233行和62列。自变量是“快乐”(Train$欢愉)，这是一个二进制变量。其余61列为分类自变量。
我创建了一个逻辑回归模型如下：
logModel <- glm(Happy ~ ., data = train, family = binary)
然而，我想减少进入模型的自变量的数量，也许减少到20个左右。我想从消除共线范畴变量开始。
有人能解释一下如何确定哪些范畴变量是共线性的，以及我在从模型中删除变量时应该使用的阈值吗？
谢谢!
浏览 0提问于2014-05-04得票数 0
1回答
如何在交叉验证中选择参数？
、、、、
假设我正在使用K折叠交叉验证K折叠交叉验证训练一个线性回归模型。我每次用不同的训练和测试数据集训练K次。因此，每次我训练时，都会得到不同的参数(线性回归情况下的特征系数)。因此，在交叉验证结束时，我将得到K个参数。如何得出我的模型的最终参数？
如果我也使用它来调优超参数，那么在修复我的模型参数之后，我还需要进行另一次交叉验证吗？
浏览 0提问于2022-05-19得票数 3
1回答
我正在努力弄清楚如何正确地创建回归组合。我知道有各种各样的选择。我使用以下方法。首先定义线性回归、GBM等模型，然后对每个模型运行GridSearchCV来了解最佳参数。在此之后，我想做最后的预测，同时考虑每个模型的个别预测。问题是如何正确地将单个预测合并成一个Y向量？结果表明，将权系数分配给各预测值并不适合于回归问题。如果是，那么如何获得这样的权重系数呢？也许好的方法是用个人预测作为训练集来训练一个元模型？
浏览 4提问于2015-12-10得票数 6
回答已采纳
2回答
我正在使用python语言和scikit学习库来解决经典的回归问题。很简单：
ml_model = GradientBoostingRegressor()
ml_params = {}
ml_model.fit(X_train, y_train)
其中y_train是一维数组类对象。
现在，我想扩展任务的功能，以获得一组目标值，而不是单个目标值。培训集的样本X_train将保持不变。这个问题的一个直观的解决方案是训练几个模型，其中所有模型的X_train都是相同的，但是每个模型的y_train将是特定的。这绝对是一种有效的解决方案，但在我看来，这
浏览 0提问于2019-08-29得票数 0
回答已采纳
4回答
对训练集模型进行评价(即训练训练模型，在同一训练集上评估回归误差/精度)，并将评价结果与模型回归误差/交叉验证(我们在同一训练集上进行交叉验证)和测试集的精度进行比较，以检查过拟合/不拟合是否是一种很好的做法吗？
据我所知，我们不应该对训练集的模型进行评估。然而，我看到一些讲座似乎促进了对训练错误的评估。
浏览 0提问于2020-08-20得票数 1
1回答
我已经训练了一个logistic回归模型。现在我必须用新的训练数据来更新(部分拟合)模型。有可能吗？
浏览 1提问于2018-07-30得票数 4
回答已采纳
我想在预训练的BERT模型的最后一层之后添加一个回归层。所以它应该是这样的：
output = bert_model([input_ids,attention_masks])
output = output[1]
output = tf.keras.layers.Dense(100,activation='relu')(output)
但我不知道如何冻结BERT模型，只训练回归层。有可能吗？
浏览 32提问于2021-05-13得票数 0
1回答
我很久以前就建立了一个logistic回归模型，我有这个系数。我没有保存模型对象本身，而是收集并保存了它的beta。
variables = ['inquiries', 'income', 'credit']
coeffs = [0.25, -0.34, -0.50]
如你所知，logistic回归概率计算如下：
xbeta = 0.25*inquiries - 0.34*income - 0.50*credit
prob = 1/(1+e^(-xbeta))
我的问题是：如何将这两个方程转换为PMML/JPMML，以便当(J)PMML被其他人调
浏览 0提问于2019-07-31得票数 1
我正在做一个二值图像分类项目，其中我使用了通过特征提取进行转移学习。我用ResNet50的输出训练了一个逻辑回归模型(通过丢弃它的最后一层，并使用它的最后一层后面的激活作为特征)。 在加载Logistic回归模型的测试期间，我得到了这个ModuleNotFoundError。下面的代码显示了我如何加载Logistic回归模型，我已经在ResNet50模型的激活上进行了训练。 model_logistic_regression = pickle.load(open(MODEL_PATH, "rb")) 这里，MODEL_PATH包含预训练的Logistic回归模型的目录。 编辑
浏览 423提问于2020-05-02得票数 0
4回答
给定的是我需要用于分类的数据集，我希望比较不同分类模型的性能。让我们假设，我想看看逻辑回归(具有不同的断点)和KNN。如果我按以下方式进行，是否有任何问题：
在培训和验证数据中分离数据(以及用于对获奖模型进行性能评估的测试集)。
在训练集上训练logistic回归模型和KNN分类模型。对于0到1之间的每个截断点t，考虑了logistic回归模型作为分类模型，因此回归模型导致了许多分类模型。
现在，我在一定范围内(假设0.01到0.99)比较了我的所有分类模型(t和KNN)在验证数据上的分类性能。我会选择性能最好的(基于某一指标)的。
我正在和其他人讨论这个问题，他认为t需要被看作是超参数，而这
浏览 0提问于2020-06-04得票数 3
我正在用Python语言构建一个随机森林模型，并以sklearn为基准，与keras中内置的RNN的预测结果进行比较(RNN...yay已经完成了预测结果)。数据是时间序列的。从概念上讲，它有623个段，每个段包含180个连续的数据点(填充以创建等长的段)，每个段具有7个特征通道和一个目标通道。
我已经准备好了数据，并分成了训练组和测试组。数据当前包含在具有以下形状的numpy.ndarray容器中。
X.shape: (623, 180, 7)
y.shape: (623, 180, 1)
X_train.shape.: (498, 180, 7)
y_train.shape: (498,
浏览 4提问于2018-06-08得票数 0
我们是否需要在神经网络中进行验证，因为神经网络并不总是收敛到相同的答案？我从来没有听说过回归或集成学习等模型中的验证集。我们完全交叉验证我们的数据集。将其划分为k重训练集和测试集。然而，对于神经网络，我们还需要一个从训练集中提取的验证集。现在我知道为什么我们需要在神经网络中使用验证集了。我需要知道的是，为什么我们不做同样的步骤，比如说逻辑回归。
浏览 0提问于2014-11-14得票数 0
我正试图为一个任务构建一个xgboost回归器或一个catboost回归器。我有一个可行的线性回归模型。我也为这项任务训练了一个xgboost回归模型，但它比线性回归模型更糟糕。我想知道是否有一种方法将线性回归权值(模型参数)作为初始参数集传递给xgboost (或catboost)模型，以确保性能增益？
例如，如果w0*x0 + w1*x1 + w2*x2 + w3*x3 = y是线性回归模型，那么有什么方法可以告诉xgboost从相同的方程开始(并且在训练时变得更好)？
浏览 0提问于2019-12-18得票数 0
回答已采纳
我试图用深度学习(3D CNN)来进行脑部疾病分类。目前，输入大小设置为96*96*96。这是由于原始扫描的大小为256*256*256。我首先通过调整大小到192*192*192来删除背景，然后将采样降至2倍。
但是，我的数据集只包含825个主题。我想将数据集扩大到足够的大小，但它给我带来了很大的困扰。
首先，96^3的输入结果是884 k体素。从我过去的经验来看，训练样本的数量应该远远超过输入单位的数量。因此，我的第一个问题是：是正确的，培训数据应该超过输入单元(在本例中，超过884 k)。
其次，为了执行数据增强，推荐哪些技术？到目前为止，我试着围绕3轴旋转，间隔10度。但这只会使数据大
浏览 2提问于2019-04-25得票数 2
我有一个用Keras训练的模型，它期望4D输入，N是样本的数量，每个样本是(9,15,1)形状的3D数据，它们不是图像。我使用CoreML转换器转换Keras模型，并将模型导入xcode，如下所示 ? 我有一个4D浮点数组来表示我的数据，我很难将它输入到我的模型中进行预测。 该模型需要一个MLMultiArray，从我尝试的情况来看，我既不能将我的4D float数组转换为MLMultiArray，也不能从头开始创建它。 假设我有一个"data“，它是一个四维的浮点数组 let data = [[[[Float]]]]()
let arr = try? MLMultiArra
浏览 58提问于2020-10-05得票数 0
回答已采纳
2回答
K折叠交叉验证是一种用于将数据分割成K个Folds数的技术，用于测试和培训。目的是估计机器学习模型的可拓性。该模型被训练K次，每列折叠一次，然后在相应的测试褶皱上测试。
假设我想对任意数据集上的决策树和Logistic回归模型与10个Folds进行比较。假设对每个模型进行10倍的训练，并得到相应的检验精度，Logistic回归具有较高的平均精度，说明该模型是较好的数据集模型。
现在，用于应用程序和部署。是对所有数据进行Logistic回归模型再培训，还是从对K-Folds进行训练的10个Logistic回归模型中创建一个集合？
浏览 6提问于2022-05-20得票数 3
回答已采纳
1回答
在Logistic回归中，我们从数据集的培训中学到了什么？与线性回归一样，在训练集的帮助下，我们能够生成一条最佳拟合线(y= mx+c)，其中m和c来自于训练我们的数据集。同样地，一旦我们训练了我们的logistic回归模型，模型会学到什么，然后用来预测特定输入的类呢？
浏览 0提问于2019-08-31得票数 0
回答已采纳
这可能是个愚蠢的问题，但如果我有一个确定性的过程，例如，一个函数(在数学意义上)，它的计算成本很高，我决定用逻辑回归、人工神经网络或任何类型的机器学习模型来近似它：
是否有几个(随机和连续的)训练实例可以确保我的学习模型“几乎”完美的准确性？如果是，如何计算这个数字？
一般来说，如果过程是确定性的，我能至少期望得到“更好的”模型吗？
在这种情况下，过度适应是个问题吗？我的直觉不知何故拒绝了，但我无法证明。
提前感谢！
浏览 0提问于2023-02-24得票数 0
回答已采纳
我正在跟踪这个页面，以了解SageMaker的分布式培训功能。
上面写着：-
SageMaker分布式培训库只能通过TensorFlow、PyTorch和HuggingFace框架的AWS深度学习容器在SageMaker培训平台中使用。
这是否意味着我们不能使用SageMaker分布式训练来使用传统的机器学习算法(如线性回归、随机森林或XGBoost )来训练机器学习模型？
我有一个用例，其中数据集非常大，和分布式培训可以帮助模型并行和数据并行。为了避免在训练实例的内存中输入大量数据，还可以推荐哪些其他选项？
浏览 12提问于2022-09-17得票数 -1
我需要一些关于我的最后一年项目的帮助。我对机器学习还很陌生，我已经尝试过如何用logistic回归来训练一个模型。
我有两个数据集的音频剪辑，每个5秒，一个婴儿哭的声音和一个婴儿‘不哭’。
我想在google上使用logistic回归来训练这个模型。现在，我已经成功地将音频剪辑转换成谱图图像。但是我被困在训练模型上，因为我无法理解如何训练模型(代码在我到现在为止见过的任何地方都是非常复杂的)。
我想要的是用logistic回归来训练模型，在输出时得到100个权重。然后我会用Arduino录下婴儿的哭声。然后我将从新录制的音频中获得100个数据点。
然后，以前的和新的100个权重将乘以1
浏览 0提问于2021-02-28得票数 1
3回答
我需要更多地了解特性数量与线性模型回归之间的关系，基于Andreas C. Müller和Sarah Guido所著的“机器学习与Python入门”一书第47页的这一段：
对于具有许多特征的数据集，线性模型可能非常强大。特别是，如果你有比训练数据点更多的特征，那么任何目标y都可以完美地建模(在训练集上)为一个线性函数。
它是如何用线性代数来解释的？
谢谢
浏览 0提问于2018-08-04得票数 0
回答已采纳
2回答
改进线性回归模型的技巧
、、、
我刚刚在包含7个自变量和1个目标变量的数据集上运行了一个线性回归模型。下面是R平方和MSE值。
训练集的均方误差: 36530921.0123
训练集的$R^2$值: 0.7477
有人能给我一些建议来提高这个型号的效率吗？
编辑:我刚刚实现了同样的问题，使用线性回归和归一化的特性。我得到了以下输出:训练集的均方误差: 5.468490570335696e-10训练集的R2值: 0.9275088299658416训练集的均方误差: 4.111793316375822e-10训练集的R2值: 0.9342888671422529。
那么，我们能考虑标准化数据集以获得更好的准确性吗？
浏览 0提问于2018-04-18得票数 3
回答已采纳
1回答
我对机器学习中的回归模型有一个问题，我想知道我的方法是否正确。
我已经建立了回归模型，并用我的数据对其进行了训练，但我的模型预测的值总是比实际值高1.5倍。
我理解这是我的模型的习惯，考虑一下，因为它总是被预测1.5次。
在考虑了实际情况后，我将预测值除以1.5倍。比方说，我的模型预测在某些情况下是100，我计算了100/1.5，结果大约是66.6。
实际上，66.6不是预测值，我操纵了它。
这种操作对于回归是可接受的吗？我能把这个66.6提供给我的客户吗？
浏览 14提问于2017-07-18得票数 0
1回答
我正在做一个回归问题陈述，它涉及到它的多个类别。我不知道如何进行这项工作，因此请你对此提出指导/建议。
假设数据中有'M‘记录和'N’列，而Target是一个回归(数字)输出，将由模型预测。
但这里的挑战是，在“N”列中有一个名为“类别”的列，它对目标产生了很大的影响。这意味着，如果两个记录的“M-1”列完全相同，但是“类别”变量是不同的，那么“目标”可能是非常不同的。
话虽如此，一个天真的方法是，我训练一个单独的线性回归模型的每一个类别可用。但是列中有大约5000种不同的分类，因此不可能创建单独的模型。
所有这些都迫使我创建一个单一的模型，但是我应该如何处理/使用这个“类别”
浏览 0提问于2022-06-13得票数 1
我正在做一个回归预测，我有一些复杂的3D序列和一些特征，解释了序列的一些关键特征。它们在这类形状的两个矩阵上举行：
X1.shape, X2.shape
((9000, 300, 3), (9000, 106))
我想将它们提供给一个模型实例，其中X1矩阵由LSTM处理，X2矩阵由几个密集层处理。我的计划是在输出层之前合并它们。
我正计划通过以下方式进行训练：
model.fit(zip(X1, X2), y, batch_size=BATCH, epochs=EPOCHS, validation_split=0.2)
如何建立模型，以便接收两个矩阵，并分别处理它们？
目前，我只有LSTM的标
浏览 0提问于2018-04-28得票数 1
回答已采纳
1回答
假设我有一个回归问题，我想根据一些预测因子预测从0到100.000的值。一个单一的XGBoost模型实现了良好的整体平均性能(由MAE衡量)，使用5倍的CV。
然后，我查看了0 100 000响应间隔的特定子范围，以查看模型在哪里表现得更好或更糟。结果表明，特别是在开始和结束时，即0，5.000和80.000,100.000，模型的表现最差。
因此，我采取了第二步，并将响应间隔划分为几个不重叠的子区间，并为每个子区间训练了一个单独的回归模型，与第一个模型的预测相比，得到了显著的更好的性能。
现在，我有一套经过训练的回归模型，用于响应的几个子区间，对整个响应范围具有良好的预测性能。我想知道如何将
浏览 0提问于2021-08-20得票数 0
我一直在我的tweets数据集上运行逻辑回归、神经网络、朴素贝叶斯和SVM模型。我正在做情感分析，其中R是根据训练数据预测文本是积极的、中性的还是消极的。
我注意到varImp对于神经网络、朴素贝叶斯和支持向量机总是相同的。然而，logistic回归的变量具有非常不同的变量重要性。我只是好奇为什么会这样？逻辑回归不是一个很好的文本分析模型吗？或者有没有适合使用它的时候？
浏览 5提问于2016-04-23得票数 1
1回答
我正在尝试理解XGBoost中的多类分类是如何工作的。我已经读过陈和格斯特林的论文(2016，https://arxiv.org/abs/1603.02754)，但我仍然不清楚细节： 假设我想为一个3类分类任务生成一个概率分类器。如果我理解正确的话，XGBoost将回归树拟合为“弱学习者”或boosting模型的组成部分。因此，如果将一个新的预测向量传递给XGB模型，回归树将产生一个实际值，即“预测”，其(加权)组合是增强模型预测。 从this question和论文中的文档中，我推测softmax激活函数被应用于增强的模型预测(实值？)，并且在将softmax应用于模型输出之后，通过优化交
浏览 18提问于2020-01-16得票数 1
回答已采纳
1回答
分类模型基准准确度
、、、
我有一个任务，我需要为我的训练数据集创建一个基准模型。我需要在编码方面的帮助，以了解我将如何处理这项任务。这5种分类模型分别是KNN、核支持向量机、决策树、Logistic回归和k近邻。
任何有良好解释的例子都会有所帮助。
浏览 14提问于2021-04-27得票数 0
扫码
添加站长 进交流群
领取专属 10元无门槛券
手把手带您无忧上云
相关资讯
热门标签
云服务器
ICP备案
实时音视频
对象存储
云直播活动推荐
腾讯云开发者
