Python与机器学习（第2版）（微课版） 课件 3-05-degree参数设置任务实施.pptx

【数据挖掘应用】课程课程负责人：陈清华观影数据回归分析degree参数设置任务实施

知识与能力目标理解多项式回归分析的原理；理解sklearn多项式特征构造函数degree参数的意义及设置；会正确设置degree参数值；会熟练对回归模型进行初步评估。

多项式回归分析中degree参数取值分析主要内容任务工单引导问题任务评价标准任务解决方案代码解析

教学难点修改多项式特征的最高幂次，即为前续任务设置不同的degree参数，分析degree取值对预测结果的影响。任务概述任务描述：以修改degree的取值，分析模型变化，了解多项式回归分析中degree参数的作用。010010011001101010100100110110100101110101000100001011011101001010101101010011010010任务工单film.txt

（1）参数degree对结果有何影响？（2）应该如何选择合适的degree值？试说明其中的原因。”问题引导：任务概述

任务评价：任务概述评价内容评价要点分值分数评定自我评价1.任务实施数据预处理记录所使用的degree参数值：__________________2分对degree值分别设置4个值，并能较好地区分degree的影响，每项得0.5分模型再训练1分代码正确且顺利执行得1分模型展现4分会使用子图展现模型得1分，展现结果完整得1分，每个区域得0.5分2.效果评估分析模型的准确性，并写出最优degree参数值：_______2分不存在过拟合现象得2分3.任务总结依据任务实施情况总结结论1分总结内容切中本任务的重点要点得1分合计10分

任务解决方案degree=1示例，以此类推。poly1=PolynomialFeatures(degree=1)xt1=poly1.fit_transform(x)1）构造特征polymodel1=linear_model.LinearRegression()polymodel1.fit(xt1,y)2）模型构建与训练

任务解决方案degree=1示例，以此类推。x_new=np.arange(x_min,x_max,0.005).reshape(-1,1)xt_new1=poly1.fit_transform(x_new)fig=plt.figure()degree1=fig.add_subplot(2,2,1)degree1.scatter(x,y,color=black)degree1.scatter(x_new,polymodel1.predict(xt_new1),s=2,color=green,linewidth=1)degree1.set_title(degree=1)plt.show()3）可视化

使用循环语句精简代码，展现结果。fig=plt.figure()foriinrange(4):poly=PolynomialFeatures(degree=i+1)xt=poly.fit_transform(x)polymodel=linear_model.LinearRegression()polymodel.fit(xt,y)x_new=np.arange(x_min,x_max,0.005).reshape(-1,1)xt_new=poly.fit_transform(x_new)degree=fig.add_subplot(2,2,i+1)degree.scatter(x,y,color=black)degree.scatter(x_new,polymodel.predict(xt_new),s=1,color=blue,linewidth=1)degree.set_title(degree=+str(i+1))plt.show()任务解决方案

任务解决方案degree参数设置多项式拟合可以用于拟合非线性数据，但是它也容易出现过拟合问题。在实际应用中，我们需要谨慎选择多项式的阶数，以避免过拟合和欠拟合的问题。通常，我们会使用交叉验证等技术来确定最优的多项式阶数，以获得更好的预测结果。需要选择合适的模型复杂度来平衡模型的拟合程度和泛化能力

小结1.degree参数的设置2.degree参数的影响3.子图的画法不急上机实践消化知识~