GPT学习-使用embedding做回归(regression)预测

这篇具有很好参考价值的文章主要介绍了GPT学习-使用embedding做回归(regression)预测。希望对大家有所帮助。如果存在错误或未考虑完全的地方,请大家不吝赐教,您也可以点击"举报违法"按钮提交疑问。

Regression"回归"是机器学习中的一个术语,指的是预测一个连续的数值,而不是分类的类别。这个词通常被翻译为"回归"。这个翻译有时候感觉有点晦涩难懂,也可以考虑使用"数值预测"或者"回归预测"理解上会更容易一些。

"回归"意味着预测一个数字,而不是其中的一个类别。我们将基于评论文本的嵌入来预测评分。我们将数据集分为训练集和测试集,以便于所有后续任务在未见过的数据上进行真实的性能评估。数据集是在Obtain_dataset.ipynb创建的。

这次学习的代码是,Regression_using_embeddings.ipynb

它目的是使用随机森林回归器(RandomForestRegressor)预测亚马逊评论的评分。

1.导入的库:sklearn.ensemble 中的 RandomForestRegressor 是用于回归预测的模型,sklearn.model_selection 中的 train_test_split 用于将数据集划分为训练集和测试集,sklearn.metrics 中的 mean_squared_error 和 mean_absolute_error 用于评估模型的预测性能。

2.数据划分:使用 train_test_split 函数将数据集划分为训练集和测试集。这里,80% 的数据用于训练,剩余的 20% 用于测试。

3.模型训练:初始化一个 RandomForestRegressor 模型,然后使用训练集的数据进行训练。

几个关键代码段的解释:

X_train, X_test, y_train, y_test = train_test_split(list(df.embedding.values), df.Score, test_size=0.2, random_state=42)

rfr = RandomForestRegressor(n_estimators=100)

rfr.fit(X_train, y_train) 
preds = rfr.predict(X_test)
mse = mean_squared_error(y_test, preds) 
mae = mean_absolute_error(y_test, preds)
  1. X_train, X_test, y_train, y_test = train_test_split(list(df.embedding.values), df.Score, test_size=0.2, random_state=42): 这行代码是使用 train_test_split 函数将数据集划分为训练集和测试集。df.embedding.values 是评论的嵌入向量,df.Score 是评论的评分,test_size=0.2 表示测试集占总数据集的 20%,random_state=42 是随机数生成器的种子,用于确保每次运行代码时数据集的划分方式相同。

  2. rfr = RandomForestRegressor(n_estimators=100): 这行代码是创建一个随机森林回归器(RandomForestRegressor)对象。参数 n_estimators=100 表示随机森林中包含 100 棵决策树。

  3. rfr.fit(X_train, y_train): 这行代码是调用随机森林回归器的 fit 方法进行模型训练。X_train 是训练集的特征,y_train 是训练集的目标值。

  4. preds = rfr.predict(X_test): 这行代码是使用训练好的模型对测试集进行预测。X_test 是测试集的特征,返回的 preds 是模型对测试集的预测值。

  5. mse = mean_squared_error(y_test, preds): 这行代码是计算预测结果的均方误差(Mean Squared Error,MSE)。y_test 是测试集的真实值,preds 是模型对测试集的预测值。

  6. mae = mean_absolute_error(y_test, preds): 这行代码是计算预测结果的平均绝对误差(Mean Absolute Error,MAE)。文章来源地址https://www.toymoban.com/news/detail-464688.html

到了这里,关于GPT学习-使用embedding做回归(regression)预测的文章就介绍完了。如果您还想了解更多内容,请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章,希望大家以后多多支持TOY模板网!

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处: 如若内容造成侵权/违法违规/事实不符,请点击违法举报进行投诉反馈,一经查实,立即删除!

领支付宝红包 赞助服务器费用

相关文章

  • pytorch深度学习逻辑回归 logistic regression

    结果  

    2024年02月16日
    浏览(56)
  • 吴恩达机器学习-可选实验:使用ScikitLearn进行线性回归(Linear Regression using Scikit-Learn)

    有一个开源的、商业上可用的机器学习工具包,叫做scikit-learn。这个工具包包含了你将在本课程中使用的许多算法的实现。 在本实验中,你将:利用scikit-learn实现使用梯度下降的线性回归 您将使用scikit-learn中的函数以及matplotlib和NumPy。 np.set_printoptions(precision=2) 的作用是告诉

    2024年03月14日
    浏览(46)
  • 吴恩达老师《机器学习》课后习题2之逻辑回归(logistic_regression)

    用于解决输出标签y为0或1的二元分类问题 判断邮件是否属于垃圾邮件? 银行卡交易是否属于诈骗? 肿瘤是否为良性? 等等。 案例:根据学生的两门学生成绩,建立一个逻辑回归模型,预测该学生是否会被大学录取 数据集:ex2data1.txt python实现逻辑回归, 目标:建立分类器(求

    2024年02月09日
    浏览(46)
  • 逻辑回归(Logistic Regression)

    在分类问题中,你要预测的变量 y是离散的值,我们将学习一种叫做逻辑回归 (Logistic Regression) 的算法,这是目前最流行使用最广泛的一种学习算法。 在分类问题中,我们尝试预测的是结果是否属于某一个类(例如正确或错误)。分类问题的例子有:判断一封电子邮件是否是

    2024年02月09日
    浏览(35)
  • 逻辑回归(Logistic Regression)

    入门小菜鸟,希望像做笔记记录自己学的东西,也希望能帮助到同样入门的人,更希望大佬们帮忙纠错啦~侵权立删。   目录 一、逻辑回归简介与用途 二、逻辑回归的理论推导 1、问题描述和转化 2、初步思路:找一个线性模型来由X预测Y 3、Sigmoid函数(逻辑函数) 4、刚刚的

    2023年04月18日
    浏览(34)
  • 二元逻辑回归(logistic regression)

    目录 一,原理 二,python代码 2.1 数据集的格式 2.2 代码 三,适用条件 回归 :          假设存在一些数据点,用一条直线或者曲线或折现去拟合这些点就叫做回归。也就是找出平面点上两个轴变量之间的函数关系,或者其他坐标系下的变量间关系。一句话就是:回归就是

    2024年02月06日
    浏览(47)
  • 逻辑回归(Logistic Regression)原理(理论篇)

    目录 一、逻辑回归简介及应用 二、逻辑回归的原理 (1)sigmoid函数 (2)输入和输出形式  (3)基于目标函数求解参数w 三、逻辑回归代码复现         logistic回归又称logistic回归分析,是一种广义的线性回归分析模型,常用于数据挖掘,疾病自动诊断,经济预测等领域。例

    2024年02月13日
    浏览(48)
  • sklearn实现逻辑回归(Logistic Regression)

    💥 项目专栏:sklearn实现经典机器学习算法(附代码+原理介绍) 🌟 哈喽,亲爱的小伙伴们,你们知道吗?最近我们的粉丝群里有好多小可爱私信问我一些关于决策树、逻辑回归等机器学习的超级有趣的问题呢!🌈 为了让大家更轻松地理解,我决定开一个超可爱的专栏,叫做

    2024年02月21日
    浏览(49)
  • Python实现逻辑回归(Logistic Regression)

    💥 项目专栏:【Python实现经典机器学习算法】附代码+原理介绍 👑 最近粉丝群中很多朋友私信咨询一些决策树、逻辑回归等机器学习相关的编程问题,为了能更清晰的说明,所以建立了本专栏 专门记录基于原生Python实现一些入门必学的机器学习算法 ,帮助广大零基础用户

    2024年02月01日
    浏览(35)
  • 逻辑回归(Logistic Regression)和正则化

    案例: 在分类问题中,我们尝试预测的是结果是否属于某一个类(例如正确或错误)。分类问题的例子有:判断一封电子邮件是否是垃圾邮件;判断一次金融交易是否是欺诈;之前我们也谈到了肿瘤分类问题的例子,区别一个肿瘤是恶性的还是良性的。 二元分类问题: 将因

    2024年01月24日
    浏览(45)

觉得文章有用就打赏一下文章作者

支付宝扫一扫打赏

博客赞助

微信扫一扫打赏

请作者喝杯咖啡吧~博客赞助

支付宝扫一扫领取红包,优惠每天领

二维码1

领取红包

二维码2

领红包