ML之回归预测之Lasso：利用Lasso算法对红酒品质wine数据集实现红酒口感评分预测(实数值评分预测)

ML之回归预测之Lasso：利用Lasso算法对红酒品质wine数据集实现红酒口感评分预测(实数值评分预测)

目录

输出结果

设计思路

核心代码

输出结果

设计思路

核心代码

  

   

    

     

    
    

     

      t=3
     
    
   

    

     

    
    

     
 
     
    
   

    

     

    
    

     

      if t==1:
     
    
   

    

     

    
    

     
 
     
    
   

    

     

    
    

     

       X = numpy.array(xList) #Unnormalized X's
     
    
   

    

     

    
    

     
 # X = numpy.array(xNormalized) #Normlized Xss
     
    
   

    

     

    
    

     

       Y = numpy.array(labels) #Unnormalized labels
     
    
   

    

     

    
    

     
 # Y = numpy.array(labelNormalized) #normalized lables
     
    
   

    

     

    
    

     

      elif t==2:
     
    
   

    

     

    
    

     

       X = numpy.array(xList) #Unnormalized X's
     
    
   

    

     

    
    

     

       X = numpy.array(xNormalized) #Normlized Xss
     
    
   

    

     

    
    

     

       Y = numpy.array(labels) #Unnormalized labels
     
    
   

    

     

    
    

     

       Y = numpy.array(labelNormalized) #normalized lables
     
    
   

    

     

    
    

     
 
     
    
   

    

     

    
    

     

      elif t==3:
     
    
   

    

     

    
    

     

       X = numpy.array(xList) #Unnormalized X's
     
    
   

    

     

    
    

     

       X = numpy.array(xNormalized) #Normlized Xss
     
    
   

    

     

    
    

     

       Y = numpy.array(labels) #Unnormalized labels
     
    
   

    

     

    
    

     
 # Y = numpy.array(labelNormalized) #normalized lables
     
    
   

    

     

    
    

     
 
     
    
   

    

     

    
    

     
 
     
    
   

    

     

    
    

     

      linear_model.lasso_path(X, Y,  return_models=False)
     
    
  
 

文章来源: yunyaniu.blog.csdn.net，作者：一个处女座的程序猿，版权归原作者所有，如需转载，请联系作者。

原文链接：yunyaniu.blog.csdn.net/article/details/85700564