Python_机器学习_李弘毅老师作业1

概述#ByRichardimportsysimportpandasaspdimportnumpyasnpimportmath"""sys：该模块提供对解释器使用或维护的一些变量的访问，以及与解释器强烈交互的函数pandas：一个强大的分析结构化数据的工具集numpy：Python的一个扩展程序库，支持大量的维度数组与矩阵运算math

# By Richardimport sysimport pandas as pdimport numpy as npimport math"""sys：该模块提供对解释器使用或维护的一些变量的访问，以及与解释器强烈交互的函数pandas：一个强大的分析结构化数据的工具集numpy： Python的一个扩展程序库，支持大量的维度数组与矩阵运算math：数学运算的库作业一：由每天前9个小时的18个空气的影响因素（如：NO，CO，SO2，PM2.5等等）来预测第10个小时的PM2.5，train.csv是一年的数据，每个月取了20天，每天24小时"""data = pd.read_csv(r"G:\课程学习\机器学习\Mr_li_ML\HomeWorks\数据\hw1\train.csv", enCoding="big5")  # big5为了兼容台湾的编码集data_train = data.iloc[:, 3:]  # iloc：通过行/列号选取数据 数据从第二行开始选择data_train[data_train == "NR"] = 0# print(data_train)data_train_row = data_train.to_numpy()  # DataFrame 转换成numpy# print(data_train_row)   #4320×24# print(type(data_train_row))# 将4320*24调整为12*18*480month_data = {}for month in range(12):    sample = np.zeros([18, 480])    for day in range(20):        sample[:, 24 * day:(day + 1) * 24] = data_train_row[18 * (20 * month + day): 18 * (20 * month + day + 1), :]    month_data[month] = sample# print(month_data)# 构建以将20天的480个小时看成连续的，所以一个月就有480-9=471个data，一年有471×12=5652个data，同样有5652个Label（第10个小时的PM2.5），采用这种方法可以构建较多的datax = np.empty([12 * 471, 18 * 9], dtype=float)y = np.empty([12 * 471, 1], dtype=float)for month in range(12):    for day in range(20):        for hour in range(24):            if day == 19 and hour > 14:  # 取消最后一天的往后延迟                continue            x[471 * month + day * 24 + hour, :] = month_data[month][:, day * 24 + hour:day * 24 + hour + 9].reshape(1,                                                                                                                    -1)  # 转换成一行            y[471 * month + day * 24 + hour, 0] = month_data[month][9, day * 24 + hour + 9]# print(x)# print(y)# 归一化x_mean = np.mean(x, axis=0)x_std = np.std(x, axis=0)for i in range(x.shape[0]):    for j in range(x.shape[1]):        if x_std[j] != 0:            x[i][j] = (x[i][j] - x_mean[j]) / x_std[j]# print(x)# 将训练数据分成训练集-验证集，x_train_set = x[:math.floor(len(x) * 0.8), :]    #4521y_train_set = y[:math.floor(len(x) * 0.8), :]x_valIDation = x[math.floor(len(x) * 0.8):, :]y_valIDation = y[math.floor(len(x) * 0.8):, :]# Training is readying# 设置维度，存在偏差 bias  ax+bdim = 18 * 9 + 1w = np.zeros([dim, 1])# 设置x_train_set 维度为4521*163# 连接两个矩阵  列连接x_train_set = np.concatenate((np.ones([len(x_train_set), 1]), x_train_set), axis=1).astype(float)# set learing ratelearning_rate = 1# ser iter timeiter_time = 30000# set RMSprop parametersadagrad = np.zeros([dim, 1])eps = 0.00000001# beta = 0.9# iter is runingfor t in range(iter_time):    loss = np.sqrt(np.sum(np.power(np.dot(x_train_set,w)-y_train_set,2))/len(x_train_set))    # dot函数为numpy库下的一个函数，主要用于矩阵的乘法运算，其中包括：向量内积、多维矩阵乘法和矩阵与向量的乘法。    if (t % 100 == 0):  #显示第一百次的结果        print("迭代次数: %i, 损失值： %i" % (t, loss))        # calculate gradIEnt        transpose换了轴        gradIEnt = (np.dot(x_train_set.transpose(), np.dot(x_train_set, w) - y_train_set)) / (                    loss * len(x_train_set))        adagrad += (gradIEnt ** 2)        # reset parameters        w = w - learning_rate * gradIEnt / np.sqrt(adagrad + eps)# save parametersnp.save("weight.npy",w)# 验证x_valIDation = np.concatenate((np.ones([len(x_valIDation),1]),x_valIDation),axis=1).astype(float)for m in range(len(x_valIDation)):    Loss = np.sqrt(np.sum(np.power(np.dot(x_valIDation,w)-y_valIDation,2))/len(x_valIDation))print("The Loss on val data is %f"%(Loss))

# Author:Richardimport sysimport pandas as pdimport numpy as npimport mathtestdata = pd.read_csv(r"G:\课程学习\机器学习\Mr_li_ML\HomeWorks\数据\hw1\test.csv", header=None, enCoding="big5")test_data = testdata.iloc[:, 2:]test_data[test_data == "NR"] = 0test_data = test_data.to_numpy()test_x = np.empty([240, 18 * 9], dtype=float)mean_x = np.mean(test_x, axis=0)std_x = np.std(test_x, axis=0)for i in range(240):    test_x[i, :] = test_data[18 * i:18 * (i + 1), :].reshape(1, -1)for i in range(len(test_x)):    for j in range(len(test_x[0])):        if std_x[j] != 0:            test_x[i][j] = (test_x[i][j] - mean_x[j]) / std_x[j]test_x = np.concatenate((np.ones([240, 1]), test_x), axis=1).astype(float)#print(test_x)# Predictionw = np.load("weight.npy")#print(w)ans_y = np.dot(test_x, w)print("----预测PM2.5的值----")print(ans_y)

总结

以上是内存溢出为你收集整理的Python_机器学习_李弘毅老师作业1全部内容，希望文章能够帮你解决Python_机器学习_李弘毅老师作业1所遇到的程序开发问题。

如果觉得内存溢出网站内容还不错，欢迎将内存溢出网站推荐给程序员好友。