做网站如何选主机建设一个地方门户网站

做网站如何选主机,建设一个地方门户网站,项目推广网,手机上怎么创建wordpress基于CNN-SVR的多输入单输出组合回归预测模型 python代码 特征提取与非线性建模#xff1a; CNN-SVR的核心思想是使用卷积神经网络来提取数据中的重要特征。 CNN具有强大的特征提取能力#xff0c;能够自动学习数据中的非线性特征。 支持向量回归#xff08;SVR#xff09;…基于CNN-SVR的多输入单输出组合回归预测模型 python代码 特征提取与非线性建模 CNN-SVR的核心思想是使用卷积神经网络来提取数据中的重要特征。 CNN具有强大的特征提取能力能够自动学习数据中的非线性特征。 支持向量回归SVR 特征被提取CNN-SVR将这些特征提供给支持向量回归模型。 SVR是一种非线性回归方法它可以捕捉特征与目标之间的复杂非线性关系。 性能评估 计算均方误差MSE、平均绝对误差MAE、R2R-squared和平均绝对百分比误差MAPE等性能指标。 可视化 提供了各种图表包括真实值与预测值的折线图、散点图、拟合线图、残差分布直方图以及模型收敛速度曲线。from tensorflow.keras.layers import Conv1D, GlobalAvgPool1D, Dense from sklearn.svm import SVR # 特征提取器 cnn_feature_extractor Sequential([ Conv1D(64, 3, activationrelu, input_shape(100, 8)), Conv1D(128, 5, activationrelu), GlobalAvgPool1D(), Dense(32, activationrelu) ]) # 组合模型 svr_regressor SVR(kernelrbf, C1.0, epsilon0.1) # 这里偷个懒实际使用记得分开训练集测试集 features cnn_feature_extractor.predict(X_train) svr_regressor.fit(features, y_train)搞过图像处理的兄弟可能发现了这CNN用的1D卷积。没错时间序列或者表格数据就该这么玩。第一层卷积核尺寸3抓局部特征第二层加大到5捕捉更长距离的关系。全局平均池化这个老六直接把三维输出拍成一维比Flatten省参数多了。特征提取完扔给SVR的时候有个坑要注意CNN输出的特征维度别太高否则SVR算到地老天荒。所以最后接了个32维的全连接层算是特征压缩。这里要是换成降维算法也行不过让模型自己学更省事。评估指标咱们得整点实在的别光看损失曲线自嗨from sklearn.metrics import mean_squared_error, r2_score preds svr_regressor.predict(cnn_feature_extractor.predict(X_test)) print(fMSE: {mean_squared_error(y_test, preds):.3f}) print(fR²: {r2_score(y_test, preds):.3f}) # 画图大法 plt.figure(figsize(12,6)) plt.plot(y_test[:200], labelGround Truth, alpha0.7) plt.plot(preds[:200], labelPredictions, linestyle--) plt.legend() plt.title(CNN-SVR预测效果对比)这个对比图一出来甲方爸爸立马看懂。重点区域建议用方框标出来比如某些预测突变点方便解释模型哪里表现好哪里拉胯。散点图也别忘了加顺便画条yx的参考线sns.jointplot(xy_test, ypreds, kindreg, height8) plt.plot([y_min, y_max], [y_min, y_max], r--)残差分析是检验模型健康的X光片。正常应该接近正态分布要是出现双峰或者偏得离谱赶紧回去检查数据泄露或者特征工程residuals y_test - preds sns.histplot(residuals, kdeTrue, bins30) plt.xlabel(预测残差)最后说个实战技巧CNN部分先用Adam快速收敛等loss降不动了换SGD微调。SVR的超参数调优可以用网格搜索但更骚的操作是用贝叶斯优化迭代次数能省一半。代码别写死超参数搞个配置文件或者命令行参数方便不同数据集切换。这路子适合中小规模数据万级样本数据量太大还是直接上全连接DNN吧。毕竟SVR的时间复杂度摆在那儿别跟自个儿的CPU过不去。模型融合的玄学在于CNN抽的特征可能比人工设计的更有区分度但解释性确实差点意思——鱼和熊掌不可兼得啊。