import numpy as np
from sklearn.datasets import fetch_mldata
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import MinMaxScaler
from lib.softmax_regression_sgd import SoftmaxRegression
from lib.classification_metrics import accuracy_score
#导入数据
from sklearn.datasets import load_wine
def convert_to_vectors(c):
m = len(c)
k = np.max(c) + 1
y = np.zeros(m * k).reshape(m,k)
for i in range(m):
y[i][c[i]] = 1
return y
def process_features(X):
scaler = MinMaxScaler(feature_range=(0,1))
X = scaler.fit_transform(1.0 * X)
m, n = X.shape
X = np.c_[np.ones((m, 1)), X]
return X
rwine = load_wine() #导入红酒数据
m=178
n = 13
X = rwine.data
y = rwine.target
c = rwine["target"].astype(np.int)
y = convert_to_vectors(c)
print(rwine.feature_names)
print(rwine.target_names)
print(X.shape)
print(y.shape)
X_train, X_test, y_train, y_test, c_train, c_test = train_test_split(X, y, c, test_size=0.2)
X_train = process_features(X_train)
X_test = process_features(X_test)
model = SoftmaxRegression()
model.fit(X_train, y_train, eta_0=50, eta_1=100, N=5000)
c_pred = model.predict(X_test)
accuracy = accuracy_score(c_test, c_pred)
print("accuracy = {}".format(accuracy))
没有合适的资源?快使用搜索试试~ 我知道了~
资源推荐
资源详情
资源评论
收起资源包目录
红酒产地预测问题代码资料.zip (18个子文件)
homework4-1.py 954B
lib
roc.py 515B
logistic_regression_sgd.py 717B
__pycache__
logistic_regression_gd.cpython-36.pyc 1KB
logistic_regression_sgd.cpython-36.pyc 1KB
softmax_regression_sgd.cpython-36.pyc 1KB
classification_metrics.cpython-36.pyc 956B
Icon_ 0B
roc.cpython-36.pyc 774B
softmax_regression_gd.cpython-36.pyc 1KB
logistic_regression_nt.cpython-36.pyc 1KB
logistic_regression_nt.py 715B
classification_metrics.py 612B
logistic_regression_gd.py 709B
softmax_regression_sgd.py 810B
softmax_regression_gd.py 697B
红酒产地预测问题实验报告.doc 303KB
homework4-2.py 1KB
共 18 条
- 1
汪程序猿
- 粉丝: 2w+
- 资源: 27
上传资源 快速赚钱
- 我的内容管理 展开
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
最新资源
- IMG_20240529_122750.jpg
- 基于Java的职工工资管理系统设计源码 - salary management system
- 张律师〈人民路街道)-2405291432.awb
- Editplus 4GL Progress 高亮配色方案
- 回调函数的定义和应用场景
- meta-llama-3-8b-instruct 的 model-00002-of-00004.safetensors 的3/3
- 基于Javascript和微信小程序的CC校友名片小程序设计源码 - CC校友名片小程序
- docker-ce-cli-18.09.6-3.el7.x86-64.rpm
- 基于自回归移动平均模型建立风电功率预测模型,利用区间分布表征预测误差的分布,通过Matlab实现模型表达和仿真程序,最终通过仿真
- Test_IOStream.java
资源上传下载、课程学习等过程中有任何疑问或建议,欢迎提出宝贵意见哦~我们会及时处理!
点击此处反馈
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功
- 1
- 2
- 3
- 4
前往页