文章目录

任务描述实现细节效果演示全部代码

任务描述

通过回归算法对正弦曲线（有噪声）进行拟合

实现细节

产生一组随机数，取值在 [0,20] 之间作为 x_train （训练数据）对 x_train 取其正弦函数为 y_由于在真正的数据集中，数据往往存在噪声，所以对 y_ 添加噪声作为 y_train （训练标签）同样的方式，我们用另外一个随机状态 randstate(3) 来产生 x_test 和 y_test 作为测试数据和测试标签使用 sklearn 库建立回归模型（可以是任何常用的回归模型：决策树回归、svm、线性回归。。。等，按照自己的喜好来即可）通过回归模型对训练数据 x_train, x_test 进行拟合用 x_test, y_test 数据来检测拟合的效果，得出评分最后我们把 x_test 输入模型，得出训练好的模型对于 x_test 数据的预测曲线，可视化拟合效果

效果演示

这是 x_train, y_train 的训练数据曲线图

这是通过回归算法拟合出的曲线，在测试集上的精确度可以达到 91%（决策树回归算法）

全部代码

# 导入模块 import numpy as np import matplotlib.pyplot as plt import math # 制作训练集和测试集 ''' 训练集和测试集都用随机数产生，都是80个（0,1）之间的随机数， 将他们乘以 20 让其位于（0,20）之间的随机数，作为 x 数据 ''' rgn = np.random.RandomState(1) # 产生训练集 x_train 的随机状态 rgn2 = np.random.RandomState(2) # 产生噪声 noise 的随机状态 rgn3 = np.random.RandomState(3) # 产生测试集 x_test 的随机状态 x_ = 20 * rgn.rand(80,1) x_train = np.sort(x_,axis=0) # x_train作为训练集数据 y_ = np.sin(x_train) y_train = 1/2 * rgn2.rand(80,1) + y # 添加噪声后的 y 作为训练的标签 plt.figure(figsize=(10,3)) plt.scatter(x,y_noise) plt.plot(x,y_noise,color='red') plt.show() from sklearn.linear_model import LinearRegression from sklearn.tree import DecisionTreeRegressor # lr = LinearRegression() x_ = 20 * rgn3.rand(80,1) x_test = np.sort(x_,axis=0) y_ = np.sin(x_test) y_test = y_ + 1/2 * rgn2.rand(80,1) reg = DecisionTreeRegressor() reg.fit(x,y_noise) score = reg.score(x_test,y_test) y_predict = reg.predict(x_test) plt.figure(figsize=(10,3)) plt.plot(x_test,y_test,color='orange',label='x_test,y_test') plt.plot(x_train,y_train,color='red',label='x_train,y_train') plt.plot(x_test,y_predict,color='black',label='x_test,y_predict') plt.legend() print(score)