機器學習教程 二.在股票上的迴歸預測
阿新 • • 發佈：2019-01-30
哇！提高不少啊！是不是很驚訝？那麼我們實際生活中選擇哪種演算法呢?如果你問那些經常使用機器學習的人，他們的答案永遠只有一個不斷試錯，不斷調參。當然您可以嘗試一些演算法，並簡單地使用最有效的演算法。趕快去嘗試別的演算法吧！哈哈。。。
接下來給大家補充點小知識,有些演算法必須是線性執行的，有些則不是，這就意味著有些演算法可以利用多執行緒提高執行速率。那麼怎麼區分哪些演算法可以調高多執行緒呢？其實很簡單，我們可以看演算法的官方文件，如果它有n_jobs，那麼您就有一個可以為高效能而執行緒化的演算法。如果不是這樣,真不走運!因此，如果您正在處理大量的資料，或者處理中等資料，但是需要速度非常高，那麼您就需要一些執行緒。我們來檢查兩種演算法。前往sklearn.svm的
clf = LinearRegression(n_jobs=-1)
是不是很有趣，當我讓你做這樣一件非常罕見的事情(檢視文件)時，讓我提請你注意這個事實，僅僅因為機器學習演算法使用預設引數，並不意味著你可以忽略它們。
我們再來看另一個問題，svm.SVR()中有一個引數那就是kernel，這它到底是什麼?將（kernel）核心想象成與資料的轉換，換句話說kernel簡化你的資料。這使得處理的速度更快。 在svm的情況下。預設的SVR是rbf，它是一種核心。你還有其他的選擇。檢查文件，有“linear”、“poly”、“rbf”、“sigmoid”、“precomputed”等。
# 同樣，就像建議嘗試不同的ML演算法可以嘗試修改核心核心。程式碼如下：
接下來給大家補充點小知識,有些演算法必須是線性執行的，有些則不是，這就意味著有些演算法可以利用多執行緒提高執行速率。那麼怎麼區分哪些演算法可以調高多執行緒呢？其實很簡單，我們可以看演算法的官方文件，如果它有n_jobs，那麼您就有一個可以為高效能而執行緒化的演算法。如果不是這樣,真不走運!因此，如果您正在處理大量的資料，或者處理中等資料，但是需要速度非常高，那麼您就需要一些執行緒。我們來檢查兩種演算法。前往sklearn.svm的
clf = LinearRegression(n_jobs=-1)
是不是很有趣，當我讓你做這樣一件非常罕見的事情(檢視文件)時，讓我提請你注意這個事實，僅僅因為機器學習演算法使用預設引數，並不意味著你可以忽略它們。
我們再來看另一個問題，svm.SVR()中有一個引數那就是kernel，這它到底是什麼?將（kernel）核心想象成與資料的轉換，換句話說kernel簡化你的資料。這使得處理的速度更快。 在svm的情況下。預設的SVR是rbf，它是一種核心。你還有其他的選擇。檢查文件，有“linear”、“poly”、“rbf”、“sigmoid”、“precomputed”等。
# 同樣，就像建議嘗試不同的ML演算法可以嘗試修改核心核心。程式碼如下：