




版权说明:本文档由用户提供并上传,收益归属内容提供方,若内容存在侵权,请进行举报或认领
文档简介
课程负责人:陈清华票房多项式回归预测任务实施【数据挖掘应用】课程观影数据回归分析知识与能力目标掌握多项式回归分析方法;会使用sklearn实现多项式回归分析应用;会熟练使用matplotlib进行可视化展现;会按需求展现回归模型。使用多项式回归对票房进行预测主要内容任务工单引导问题任务评价标准任务解决方案代码解析film.txt教学难点基于放映天数构建多项式特征,并使用sklearn中的线性模型实现多项式回归分析。任务概述
任务描述:根据放映天数,使用多项式回归分析和预测电影日均票房,并用图的形式展现所到模型的异同。任务工单010010011001101010100100110110100101110101000100001011011101001010101101010011010010(1)线性回归与多项式回归的本质区别是什么?(2)sklearn中如何实现多项式回归,实现方法上与线性回归有何不同?(3)sklearn中,线性回归与多项式回归的实现又有何共通之处?”
问题引导:任务概述
任务评价:任务概述评价内容评价要点分值分数评定自我评价1.任务实施数据预处理记录使用的degree参数值:________4分导包正确得1分,能正确构造多项式特征得2分。Degree正确设置得1分
模型训练1分代码正确且顺利执行得1分
模型展现3分展现原始数据完整得1分,展现结果清晰得1分。结合展现线性回归模型得1分2.效果评估分析模型得准确性,并得出评估结论3分准确率有提升得1分
3.任务总结依据任务实施情况总结结论1分总结内容切中本任务的重点要点得1分
合计10分
第1行:导入sklearn包中相关的包第2、3行:设置x和y的值fromsklearnimportlinear_modelx=df[['放映天数']]y=df[['日均票房/万元']]regr=linear_model.LinearRegression()任务解决方案第5行:一元线性回归拟合regr.fit(x,y)步骤一:使用一元线性回归进行预测第4行:初始化线性回归模型第2行:构造化多项式特征第4行:构建回归模型进行拟合poly=PolynomialFeatures(degree=3)xt=poly.fit_transform(x)polymodel=linear_model.LinearRegression()polymodel.fit(xt,y)任务解决方案步骤二:使用多项式回归进行预测第1行:导入sklearn包中相关的包fromsklearn.preprocessingimportPolynomialFeatures任务解决方案plt.scatter(x,y,color=‘black,label=
“原始数据”)plt.scatter(x,regr.predict(x),color='red',linewidth=1,
label="线性回归",marker='*')plt.scatter(x,polymodel.predict(xt),color='blue',linewidth=1,
label="多项式回归",marker='^')plt.legend(loc=2)步骤三:可视化并比较任务解决方案x_min=x.values.min()-0.1x_max=x.values.max()+0.1第20、21行:定义界限第20、21行:定义等距序列,最小值是x_min,最大值是x_max,步长是0.005x_new=np.arange(x_min,x_max,0.005).reshape(-1,1)xt_new=poly.fit_transform(x_new)第22行:定义界限plt.scatter(x,y,color='black',label="原始数据")第23行:多项式回归模型结果可视化plt.scatter(x_new,regr.predict(x_new),color='red',s=2,linewidth=1,label="线性回归")步骤四:可视化进阶第24行:在左上角显示图例plt.legend(loc=2)plt.s
温馨提示
- 1. 本站所有资源如无特殊说明,都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
- 2. 本站的文档不包含任何第三方提供的附件图纸等,如果需要附件,请联系上传者。文件的所有权益归上传用户所有。
- 3. 本站RAR压缩包中若带图纸,网页内容里面会有图纸预览,若没有图纸预览就没有图纸。
- 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
- 5. 人人文库网仅提供信息存储空间,仅对用户上传内容的表现方式做保护处理,对用户上传分享的文档内容本身不做任何修改或编辑,并不能对任何下载内容负责。
- 6. 下载文件中如有侵权或不适当内容,请与我们联系,我们立即纠正。
- 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。
最新文档
- 《2025教育机构短期教师聘任合同》
- 2025煤炭购销合同合同范本
- 共同出资购房协议书范本
- 购物网站广告投放协议书
- 2025【设备安装合同】设备安装合同标准版本
- 2025杭州企业园林工程师聘用合同
- 2025商业大厦物业续签合同公告模板
- 2025深圳市装修合同模板
- 房产抵押偿还协议书
- 出纳代管协议书范本
- 全国统一卷试题及答案
- 矿石采购合同范本
- 2024年甘肃省烟草专卖局招聘考试真题
- 2025年龙江森工集团权属林业局有限公司招聘笔试参考题库含答案解析
- 2025年第三届天扬杯建筑业财税知识竞赛题库附答案(701-800题)
- (二模)温州市2025届高三第二次适应性考试英语试卷(含答案)+听力音频+听力原文
- DeepSeek+AI组合精准赋能教师教学能力进阶实战 课件 (图片版)
- 《哈哈镜笑哈哈》名师课件2022
- 2025年纤维检验员(高级)职业技能鉴定参考试题库(含答案)
- 服装质量检验表最新
- 普通车工操作图纸集
评论
0/150
提交评论