0

我需要根据时间预测输出将是什么。我想这样做，这样我就可以在前 20% 的数据上训练我的模型，然后制作一个模型，该模型将遵循行为，并预测剩余的 80%。我正在处理的数据如下所示： 我的数据

但是当我尝试进行回归来做到这一点时，我要么得到一些偏离目标的东西（或者一些非常接近的东西，但它是线性的），这是不被接受的。

我可能认为我的问题是我的内核的选择，或者我进行回归的方式。现在我正在使用 sklearn 包进行如下操作：

gpr=GaussianProcessRegressor(kernel=1.15**2*RBF(length_scale=41.4) + WhiteKernel(noise_level=1.32e-4),
  n_restarts_optimizer=10, 
  optimizer='fmin_l_bfgs_b',
  normalize_y=True,
  alpha=0.051)

gpr.fit(X_train, y_train)
y_gpr, y_std = gpr.predict(X_test, return_std=True)

但是经过几次预测后，预测只是变成了相同的稳定值，而不是数据中的曲线。此外，预测的标准变化变得非常大。 基于真实数据的 GPR 预测

在 python 中进行核岭回归时，我似乎也无法让曲线跟随数据。要么在几次预测中下降到 0，要么必须是线性预测。 KRR 模型，而是线性的 - 这还不够好

KRR 模型的制作如下（我知道内核=多项式，次数为 1，但我似乎无法找出/找到一个合适的内核来跟踪我的数据）：

#The kernel ridge regression
krr = KernelRidge(alpha=0.051,kernel='polynomial',degree=1)
# krr = KernelRidge(alpha=0.051,kernel=RBF(0.5))
krr.fit(X_train,y_train)
list_y_pred=krr.predict(X_test)

因此，如果可能的话，我想获得一些输入，说明应该如何完成，或者如果采用不同的方法来解决问题会更好。但我真的希望我能得到 KRR 来拟合数据，以及高斯过程回归。

4

1 回答 1

0

您的代码没有任何问题。我相信你的参数是错误的，因此猜测不是最好的。

我的建议是使用网格搜索和管道来估计最佳参数。

它如何工作的一个例子是

param_grid = [
  {'alpha': [1, 10, 100, 1000], 'kernel': ['linear']}, ## test linear kernel with varying alpha
  {'alpha': [1, 10, 100, 1000], 'gamma': [0.001, 0.0001], 'kernel': ['rbf']}, # test rbf kernel while varying gamma and alpha
 ] 
   ## you can have as many dictionaries as you want inside this list, or just 1. Keep in 
   ## mind this takes O(n^n)*time_per_fit where n is the number of arguments you try to test, so 
   ## it can take a long time

estimator = KernelRidge()
clf = clf = GridSearchCV(estimator, param_grid)
clf.fit(X_train,y_train)
list_y_pred=clf.predict(X_test)

如需更全面的教程，请尝试查看此处和此处的官方文档，或者甚至查看此处以获得更快但不太彻底的搜索。

请记住，我的参数很差，我只是从文档中复制了示例

于 2021-03-11T10:48:09.620 回答