python中差运算,python求方差代码

  python中差运算,python求方差代码

  尝试用我的随机森林代码测量MAPE(平均绝对百分比误差)的值梅伊.的值为7.5。当我试图计算教育哲学的多维评估教育哲学的多维评价时,它是输出:精确度:-inf %

  这是我计算地图的代码。如何工作,或者为什么不计算值?在

  ^{pr2}$

  测试标签:数组([ 45,47,98,87,47,72 ]

  这些类型为var1 int64

  var2 int64

  var3浮动64

  var4 int64

  var6浮动64

  var7 int64

  var1 .float64

  数据类型:对象

   420823370 183 2019-09-072233601336004 84 2019-09-0722336012336046 72 00336000:18

   420521201 183 2019-09-071733604336003 84 2019-09-0717336042336051 46 00336000332

   420219554 183 2019-09-071233604336002 88 2019-09-0712336042336039 72 0033600333

   419618820 183 2019-09-070233604336001 92 2019-0702336042336046 80 003360015

   419618819 183 2019-09-070233604336001 84 2019-0702336042336046 80 003360015

   417193989 183 2019-09-0510336042336052 82 2019-09-0510336042336023 0 00336000339

   416891691 183 2019-09-0505336042336051 78 2019-09-0505336042336049 72 003360002

   416587222 183 2019-09-0500336042336051 88 2019-09-0500336042336035 00336016

   416587223 183 2019-09-0500336042336051 82 2019-09-0500336042336035 99 00336000336

   416587224 183 2019-09-0500336042336051 80 2019-09-0500336042336035 99 00336000336

  id : bigint.ts _ tuid : bigint .RSSI:数字. batl:真实. ts _ diff:区间

  代码示例如下所示。

  从战斗支援车加载数据模型=(

  PD.read_CSV(来源. CSV),parse_dates=[var3 , var5],date _ parser=lambdax:PD。迄今为止的时间。分配(

  RSSI _ ts=lambda x : x.loc [ : var3].astype(int )/10 ** 9,

  batl _ ts=lambdax : x.loc [ : var5].astype(int )/10 ** 9,

  ts _ diff=lambdax:PD。到时间增量(x . loc[: ts _ diff ]).astype(int )/10 ** 9

  )

  )

  # labelsarethevalueswantopredict

  标签_ b=NP。数组(halti[ var 4 ])。

  # removethelabelsfromthefeatures

  #轴一指的是列

  features _ r=haltidrop( var 4 ,axis=1)))))))))。

  功能_ R2=列表(功能_ R .列))))))。

  #转换为数组数组

  Eatures _ r=NP .Array(Features_r))))))))))。

  # usingskicit-learntosplitdata进入培训和测试集

  froms kle arn。模型_选择导入训练_测试_分割

  # splitthedataintotrainingandtestingsets

  train_features,test_features,train_labels,test _ labels=train _ test _ split(features _ r,labels_b)

  #导入我们正在使用的模型

  从klearn.ensembleimportdfdmn/p #实例模型到1000个决策树

  RF=randomforestregressor(n _ estimators=1000,random_state=42)。

  #根据训练数据训练模型

  射频适配(训练_特征,训练_标签);

  #使用林的predictmethodonthetestdata

  预测=RF.predict(测试功能)

  #计算绝对误差

  误差=ABS(预测-测试标签).

  # printouthemeanasoluteerror(Mae))

  print(平均值绝对值误差:四舍五入)NP。平均值),2),度.)

  mape=100*(错误/测试标签))))))).

  #计算和显示精确度

  精确度=100 NP . mean(mape)

  打印(精度: ,圆形(精度,2), % . )

郑重声明:本文由网友发布,不代表盛行IT的观点,版权归原作者所有,仅为传播更多信息之目的,如有侵权请联系,我们将第一时间修改或删除,多谢。

留言与评论(共有 条评论)
   
验证码: